MISKOLCI EGYETEM
GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR HATVANY JÓZSEF INFORMATIKAI TUDOMÁNYOK DOKTORI ISKOLA
ÜTEMEZÉSI MODELL ÉS HEURISZTIKUS MÓDSZEREK AZ IGÉNY SZERINTI TÖMEGGYÁRTÁS FINOMPROGRAMOZÁSÁNAK TÁMOGATÁSÁRA
PHD ÉRTEKEZÉS KÉSZÍTETTE:
KULCSÁR GYULA OKLEVELES MÉRNÖK-INFORMATIKUS
TÉMAVEZETİ:
DR. ERDÉLYI FERENC A MŐSZAKI TUDOMÁNY KANDIDÁTUSA
DOKTORI ISKOLA VEZETİ:
PROF. DR. TÓTH TIBOR A MŐSZAKI TUDOMÁNY DOKTORA
MISKOLC, 2007
ÖSSZEFOGLALÁS
Az értekezésben a rövid távú, mőhelyszintő termelésprogramozás területén végzett kutatómunkám legfontosabb eredményeit foglalom össze. Bemutatok egy új, kiterjesztetett rugalmas Flow Shop ütemezési modellt, valamint olyan megoldási módszereket ismertetek, amelyek a termelés változó feltételeihez és igényeihez igazodva, több kritérium együttes figyelembevételével optimumközeli, végrehajtható termelési finomprogramot állítanak elı. A módszer alkalmas nagymérető feladatok megoldására a gyakorlatban elfogadhatónak számító tervezési (futási) idıkorlátok betartásával. Bemutatok egy új, kombinált megoldási koncepciót megvalósító termelésprogramozó szoftvert, amely alkalmas a termelés rövid távú ütemezésére, valamint a termelés újraütemezésével a termelési bizonytalanságokból és zavarokból keletkezı hibák csökkentésére. Az értekezés felépítése a következı: Az 1. fejezetben ismertetem a kutatómunka témáját és a kitőzött tudományos célokat. A 2. fejezetben összefoglalom a témához kapcsolódó fontosabb ismereteket. Vázolom az alap és a rugalmas Flow Shop ütemezési modelleket, azok megoldási módszereit, alkalmazásuk lehetıségeit és korlátait. Áttekintem a korszerő számítógépes gyártásirányítás szerepét és feladatait. A 3. fejezetben összefoglalom az igény szerinti tömeggyártást folytató vállalatok diszkrét gyártó-szerelı folyamatainak a termelésprogramozás szempontjából fontos általánosítható jellemzıit. A szakirodalomban használt szimbolikus jelölésrendszerre támaszkodva definiálok egy új ütemezési modellt. A modell építıelemeinek számítógépi realizálására egy speciális indexelt adatmodellt javaslok. A 4. fejezetben a termelési finomprogramok elkészítésére egy végrehajtás-szemlélető, szimulációra és kombinált heurisztikus módszerekre alapozott többcélú megoldási koncepciót javaslok. A megoldási módszer az ütemezési feladat egyes részfeladataihoz kapcsolódó döntéseket integrált módon, egyszerre hozza meg. Az 5. fejezetben az újraütemezési feladatok megfogalmazására és megoldására egy kibıvített ütemezési modellt és továbbfejlesztett módszereket javaslok. Az értekezés 6. fejezetében egy integrált termelésprogramozási koncepciót ismertetek. Erre alapozva bemutatok egy megvalósított szoftverprototípust, amely egy gyártásirányító rendszer szerves részeként mőködve támogathatja a dinamikus irányító funkciókat, beleértve a termelési folyamatok minısítésének, a korrekciós újraütemezéseknek, a termelési célok, prioritások és paraméterek megváltoztatásának, valamint a bizonytalanságok menedzselésének igényeit is. Az értekezés további fejezetei az új tudományos eredményeket, azok alkalmazhatóságát, a továbbfejlesztési lehetıségeket, valamint a témában készített saját tudományos közleményeket foglalják össze.
PHD ÉRTEKEZÉS
3
TARTALOMJEGYZÉK
ÖSSZEFOGLALÁS ................................................................................................................... 2 TARTALOMJEGYZÉK ........................................................................................................... 3 RÖVIDÍTÉSEK LISTÁJA ........................................................................................................ 6 JELÖLÉSEK JEGYZÉKE........................................................................................................ 7 1.
BEVEZETÉS....................................................................................................................... 9
1.1. 2.
CÉLKITŐZÉS .................................................................................................................... 10 TUDOMÁNYOS ELİZMÉNYEK ................................................................................. 11
2.1. FLOW SHOP ÜTEMEZÉSI MODELLEK ............................................................................. 11 2.1.1. ALAP FLOW SHOP ÜTEMEZÉSI MODELLEK .................................................................... 11 2.1.2. PÁRHUZAMOS GÉPES FLOW SHOP ÜTEMEZÉSI MODELLEK ........................................... 14 2.1.2.1. Egzakt megoldási módszerek..................................................................................... 15 2.1.2.2. Heurisztikus megoldási módszerek............................................................................ 16 2.1.2.3. AI keresési technikákra alapozott megoldási módszerek........................................... 18 2.1.3. FFS MODELLEK ÉS MEGOLDÁSI MÓDSZEREIK ALKALMAZHATÓSÁGA .......................... 19 2.2. DISZKRÉT TERMELÉSI FOLYAMATOK IRÁNYÍTÁSA...................................................... 21 2.2.1. A GYÁRTÁSIRÁNYÍTÁS FELADATAI ÉS CÉLJAI............................................................... 23 2.2.2. MES – SZÁMÍTÓGÉPES GYÁRTÁSIRÁNYÍTÓ RENDSZEREK ............................................ 23 3.
KITERJESZTETT RUGALMAS FLOW SHOP ÜTEMEZÉSI MODELL............... 25
3.1. 3.2. 3.3. 3.4. 3.4.1. 3.4.2. 3.4.3. 3.4.4. 3.4.5.
MŐHELYSZINTŐ TERMELÉSPROGRAMOZÁSI FELADATOK ÁLTALÁNOS JELLEMZİI AZ IGÉNY SZERINTI TÖMEGGYÁRTÁSBAN ..................................................................... 25 AZ EFFS ÜTEMEZÉSI FELADATOSZTÁLY FORMÁLIS LEÍRÁSA .................................... 26 AZ ÜTEMEZÉSI MODELL ALAPVETİ SAJÁTOSSÁGAI .................................................... 27 ADATMODELL, SZÁMÍTÓGÉPI REPREZENTÁCIÓ ........................................................... 28 TERMÉKEK .................................................................................................................... 30 RENDELÉSEK ÉS MUNKÁK ............................................................................................. 31 GÉPEK ÉS GÉPCSOPORTOK............................................................................................. 32 VÉGREHAJTÁSI ÚTVONALAK ......................................................................................... 34 TOVÁBBI SPECIÁLIS KORLÁTOZÁSOK ........................................................................... 35
PHD ÉRTEKEZÉS 3.4.6. 3.4.7. 3.4.8. 4.
4
ÜTEMTERVEK ÉS TERMELÉSI FINOMPROGRAMOK ........................................................ 36 MINİSÍTÉST KIFEJEZİ MUTATÓSZÁMOK (PERFORMANCE INDEX)................................ 38 GYÁRTÓRENDSZER ........................................................................................................ 38
TÖBBCÉLÚ INTEGRÁLT HEURISZTIKUS MEGOLDÁSI MÓDSZER ............... 39
4.1. 4.2. 4.3. 4.3.1. 4.3.2.
MEGOLDÁSI KONCEPCIÓ ................................................................................................ 39 SZIMULÁCIÓS MODELL ................................................................................................... 41 MEGOLDÁSOK ÉRTÉKELÉSÉNEK MATEMATIKAI MODELLJE ...................................... 47 OPTIMALIZÁLÁSI CÉLFÜGGVÉNYEK.............................................................................. 47 TÖBBCÉLÚ OPTIMALIZÁLÁSI FELADAT MEGENGEDETT MEGOLDÁSAINAK ÖSSZEHASONLÍTÁSA ÉS ÉRTÉKELÉSE............................................................................. 49 4.4. ÁLTALÁNOS CÉLÚ HEURISZTIKUS ÜTEMEZÉSI MÓDSZER ............................................ 53 4.4.1. HEURISZTIKUS FELÉPÍTİ ALGORITMUSOK .................................................................... 54 4.4.2. TÖBBCÉLÚ HEURISZTIKUS KERESİALGORITMUS .......................................................... 56 4.4.2.1. A keresıalgoritmus váza ............................................................................................ 56 4.4.2.2. Tabulista..................................................................................................................... 58 4.4.2.3. Szomszédsági operátorok........................................................................................... 59 4.4.2.4. Szomszédsági operátorok általános célú alkalmazása ............................................... 64 5.
ÚJRAÜTEMEZÉSI FELADATOK MEGOLDÁSA..................................................... 66
5.1. ÚJRAÜTEMEZÉSI FELADATOK MEGFOGALMAZÁSA ..................................................... 66 5.2. AZ ÚJRAÜTEMEZÉSI FELADAT SPECIÁLIS KÖVETELMÉNYEI ....................................... 67 5.3. AZ ÜTEMEZÉSI MÓDSZER KITERJESZTÉSE.................................................................... 68 5.3.1. A SZIMULÁCIÓS MODELL ÁLTALÁNOSÍTÁSA................................................................. 68 5.3.2. A CÉLFÜGGVÉNYEK KÖRÉNEK KIBİVÍTÉSE .................................................................. 68 5.3.3. AZ ÚJRAÜTEMEZÉSI FELADAT MEGOLDÁSA KERESİALGORITMUSSAL ......................... 70 5.3.3.1. Zárolási technikák ...................................................................................................... 70 5.3.3.2. Továbbfejlesztett szomszédsági operátorok............................................................... 74 5.3.3.3. Az újraütemezı algoritmus váza ................................................................................ 78 6.
TERMELÉSPROGRAMOZÓ SZOFTVER .................................................................. 80
6.1. AZ INTEGRÁLT TERMELÉSPROGRAMOZÓ SZOFTVER KONCEPCIÓJA ......................... 80 6.2. A MEGVALÓSÍTOTT TERMELÉSPROGRAMOZÓ SZOFTVER ........................................... 81 6.2.1. AZ ALKALMAZOTT SZOFTVERTECHNOLÓGIA................................................................ 81 6.2.1.1. Objektumorientált szoftverfejlesztés.......................................................................... 81 6.2.1.2. Programozási nyelv és fejlesztıi környezet ............................................................... 82 6.2.2. A TERMELÉSPROGRAMOZÓ SZOFTVER STRUKTURÁLIS FELÉPÍTÉSE ............................. 82 6.2.2.1. Funkcionális modell ................................................................................................... 82 6.2.2.2. Architekturális modell................................................................................................ 84 6.2.2.3. Interfészek.................................................................................................................. 84 6.2.3. A SZOFTVER SZOLGÁLTATÁSAI ..................................................................................... 85 6.2.3.1. Felhasználói felület .................................................................................................... 85 6.2.3.2. Üzemmódok ............................................................................................................... 96 7.
ÚJ TUDOMÁNYOS EREDMÉNYEK ........................................................................... 97
PHD ÉRTEKEZÉS
5
8.
AZ EREDMÉNYEK HASZNOSÍTHATÓSÁGA ........................................................ 102
9.
TOVÁBBI KUTATÁSI FELADATOK ........................................................................ 103
10.
AZ ÉRTEKEZÉS TÉMAKÖRÉBEN KÉSZÍTETT SAJÁT PUBLIKÁCIÓK..... 104
11.
HIVATKOZOTT IRODALOM .................................................................................. 106
12.
KÖSZÖNETNYILVÁNÍTÁS ...................................................................................... 115
13.
MELLÉKLETEK ......................................................................................................... 116
13.1.
MELLÉKLET: GYÁRTÁSIFOLYAMAT-TÍPUSOK ÉS VÉGREHAJTÁSILÉPÉS-TÍPUSOK MEGHATÁROZÁSÁNAK ALGORITMUSA ...................................................................... 116
13.2. 13.3. 13.4. 13.5. 13.6.
MELLÉKLET: VÉGREHAJTÁSIÚTVONAL-TÍPUSOK MEGHATÁROZÁSA .................... 117 MELLÉKLET: AZ ÜTEMEZÉS SORÁN HASZNÁLT SZOMSZÉDSÁGI OPERÁTOROK ALAPVETİ MŐVELETEI ............................................................................................... 120 MELLÉKLET: AZ ÚJRAÜTEMEZÉS SORÁN HASZNÁLT SZOMSZÉDSÁGI OPERÁTOROK ALAPVETİ MŐVELETEI ............................................................................................... 123 MELLÉKLET: A TESZTFELADATOK ELİÁLLÍTÁSÁRA HASZNÁLT PROBLÉMAGENERÁTOR PARAMÉTEREI .................................................................... 126 MELLÉKLET: FUTÁSI EREDMÉNYEK ......................................................................... 128 Kismérető ütemezési feladatok megoldásának eredményei ........................................ 130 Nagymérető ütemezési feladatok megoldásának eredményei ..................................... 135
SUMMARY............................................................................................................................. 145
PHD ÉRTEKEZÉS
RÖVIDÍTÉSEK LISTÁJA
AI ALA BDE CAD CAD/CAM CAE CAL CAM CAPC CAPP CAQA CAQP CC CDS CNC CRM DBMS DCS ERP FFL FFS FIFO FMSC FS FSMP FSPM GA GUI HFS IC LPT MA MES MFS MIS MMC MSF MSFS NEH NP PLC PPS ROC SA
– Artificial Intelligence – mesterséges intelligencia – Adaptive Learning Approach – alkalmazkodó tanuláson alapuló megközelítés – Borland Database Engine – Borland fejlesztéső adatbáziskezelı motor – Computer Aided Design – számítógéppel segített konstrukciós tervezés – számítógéppel segített gyártáselıkészítés – Computer Aided Engineering – számítógéppel segített mérnöki tervezés – Computer Aided Logistics – számítógéppel segített logosztika – Computer Aided Manufacturing – számítógéppel segített gyártás – Computer Aided Production Control – számítógéppel segített termelésirányítás – Computer Aided Process Planning – számítógéppel segített folyamattervezés – Computer Aided Quality Assurance – számítógéppel segített minıségbiztosítás – Computer Aided Quality Planning – számítógéppel segített minıségtervezés – Cell Controller – cellavezérlı – Campbell-Dudek-Smith algorithm – a szerzıirıl elnevezett ütemezı algoritmus – Computer Numerical Control – számítógépes számjegyvezérlés – Customer Relationship Management – ügyfélkapcsolati-menedzsment – Database Manegement System– adatbáziskezelı rendszer – Distributed Control System – elosztott vezérlırendszer – Enterprise Resources Planning – integrált vállalatirányítási rendszer – Flexible Flow Line – rugalmas gyártósor (ütemezési modell) – Flexible Flow Shop – egyutas párhuzamos gépes (ütemezési modell) – First In First Out – érkezési sorrenben (prioritási szabály) – Flexible Manufacturing System Conroller – rugalmas gyártórendszer vezérlıje – Flow Shop – egyutas kötött mőveleti sorrendő (ütemezési modell) – Flow Shop with Multipe Processors – egyutas párhuzamos gépes (ütemezési modell) – Flow Shop with Paralell Machines – egyutas párhuzamos gépes (ütemezési modell) – Genetic Algorithm – genetikus algoritmus – Graphical User Interface – grafikus felhasználói felület – Hybrid Flow Shop – egyutas párhuzamos gépes (ütemezési modell) – Inventory Control – készletgazdálkodás és -irányítás – Longest Processing Time – leghosszabb mőveleti idejő munka elıre (prioritási szabály) – Manufacturing Automation – gyártásautomatizálás – Manufacturing Execution System – számítógépes gyártásirányító rendszer – Multiprocessor Flow Shop – egyutas párhuzamos gépes (ütemezési modell) – Management Information System – vezetıi információs rendszer – Measuring Machine Controller –mérıgépvezérlı – Minimum Slack First – legkisebb tartalékú munka elıre (prioritási szabály) – Multi-Stage Flow Shop – egyutas, párhuzamos gépes (ütemezési modell) – Nawaz-Enscore-Ham – a szerzıirıl elnevezett ütemezı algoritmus – Non-Polinomial – nem polinomiális (megoldási idejő feladat) – Programmable Logic Controller – programozható logikai vezérlı – Production Planning and Scheduling – Termeléstervezés és -ütemezés – Robot Control – robotvezérlés – Simulated Annealing – szimulált hőtés
6
PHD ÉRTEKEZÉS SCM SFC SPC SQL TS VCL WSPT
7
– Supply Chain Management – ellátási lánc menedzsment – Shop Floor Control – mőhelyszintő gyártásirányítás – Statistical Process Control – statisztikai folyamatellenırzés – Structured Query Language – strukturált lekérdezınyelv – Tabu Search – tabukeresés – Visual Component Library – vizuális komponensgyőjtemény – Weighted Shortest Processing Time – súlyozott legkisebb mőveleti idejő munka elıre (prioritási szabály)
JELÖLÉSEK JEGYZÉKE
BWBA – alapvetı terheléskiegyensúlyozó algoritmus DF_Pri[dk] – a dk-adik újraütemezési célfüggvény prioritásértéke dk – az újraütemezési célfüggvények azonosítója (dk = 1,…, NDK) DSCH – részletes termelési finomprogram E_O – a gyártásifolyamat-típusokat és a megrendeléseket összerendelı kapcsolótömb EFFS – kiterjesztett rugalmas flow shop (ütemezési modell) EHIA – kiterjesztett heurisztikus beszúró algoritmus es – végrehajtási lépések azonosítója (es= 1,…, NES) F_Pri[k] – a k-adik célfüggvény fontosságát kifejezı prioritásérték FT – zárolási idıpont HEFCA – prioritási szabályokat kombinált módon alkalmazó heurisztikus algoritmus HIA – heurisztikus beszúró algoritmus i – a munkák azonosítója (i = 1,…, NJ) J[i].FJ – az i munka zárolásának módját definiáló objektum J[i].FJ.enabled_MG_M[mg][am] – az i zárolt munka teljesítéséhez az mg gépcsoportból használható am-edik párhuzamos gép J[i].FJ.enabled_R[ar] – az i zárolt munka teljesítéséhez használható ar-edik végrehajtási útvonal J[i].LFS – az i munka utolsó zárolt végrehajtási lépésének sorszáma J[i].OID – az i munka megrendelésének azonosítója J[i].RET – az i munka befejezési idıpontja J[i].RST – az i munka kezdési idıpontja J_T[i][am] – az i munka am-edik végrehajtási lépéséhez rendelt gép J_Tp[i][am] –az i munka am-edik gyártási feladatának pozíciója a hozzá rendelt gépen k – a célfüggvények azonosítója (k = 1,…, NK) m – a gépek azonosítója (m=1,…, NM) M[m].CAL[ci] – az m géphez tartozó ci-edik rendelkezésre állási idıintervallum M[m].CAL[ci].ET – az m gép ci-edik rendelkezésre állási idıintervallumának végét jelentı idıpont M[m].CAL[ci].ST – az m gép ci-edik rendelkezésre állási intervallumának kezdetét jelentı idıpont M[m].ENGAGED – az m gép lefoglaltságának végét jelentı idıpont M[m].ES – az m gép mőveletvégzı képességét kifejezı végrehajtási lépés típusa M[m].LFP – az m gép végrehajtási sorában az utolsó zárolt munka sorszáma M[m].NCAL – az m géphez tartozó rendelkezésre állási idıintervallumok aktuális száma M[m].PR[p] – az m gépen idıegység alatt megmunkálható p típusú termékek darabszáma M[m].ST[p1][p2] – az m gép átállításának idıtartama p1 terméktípus gyártásáról p2 gyártására M_STET[m][ai].ET – az m gép ai-edik munkájának befejezési idıpontja M_STET[m][ai].ProcT – az m gép ai-edik munkájának mőveleti idıtartama
PHD ÉRTEKEZÉS M_STET[m][ai].SetT M_STET[m][ai].ST M_T[m][ai] M_Tp[m][ai]
8
– az m gép ai-edik munkájához tartozó gépátállítás idıtartama – az m gép ai-edik munkájának kezdési idıpontja – az m gép munkasorozatának ai-edik munkája – az m gép ai-edik gyártási feladatához tartozó munka végrehajtási lépésének sorszáma mg – a gépcsoportok azonosítója (mg = 1,…, NMG) MG_M – a gépcsoportokba tartozó gépeket leíró kapcsolótömb – a végrehajtásilépés-típusok darabszáma NES – a gyártásifolyamat-típusok darabszáma NEXE – a munkák darabszáma NJ NK – a célfüggvények darabszáma – a gépek darabszáma NM – a gépcsoportok darabszáma NMG – a belsı rendelések darabszáma NO – a terméktípusok darabszáma NP – a végrehajtásiútvonal-típusok darabszáma NR – a technológiailépés-típusok darabszáma NTS o – a belsı rendelések azonosítója (o = 1,…, NO) – az o megrendelés befejezési határideje O[o].CET O[o].CST – az o megrendelés legkorábbi kezdési idıpontja O[o].FJ – az o rendeléshez tartozó legkisebb sorszámú munka azonosítója O[o].FO – az o megrendelés zároltságát jelzı érték O[o].MG_M[mg][am] – az o megrendelés teljesítéséhez az mg gépcsoportból használható am-edik gép O[o].NJ – az o megrendeléshez tartozó munkák darabszáma – az o megrendelésben elıírt gyártandó termék darabszáma O[o].NP O[o].P – az o megrendelésben elıírt gyártandó termék típusa O[o].R[ar] – az o megrendelés teljesítésére alkalmas ar-edik végrehajtási útvonal típusa O[o].RET – az o rendelés teljesítésének befejezési idıpontja O[o].RST – az o rendelés teljesítésének kezdési idıpontja OBJ_VAL.DF[dk] – a dk-adik újraütemezési célfüggvény értéke OBJ_VAL.F[k] – a k-adik célfüggvény értéke p – a gyártható termékek azonosítója (p = 1,…, NP) P[p].BOM – a p termék darabjegyzék-azonosítója P[p].EXE – a p termék gyártási folyamatának azonosítója P[p].MG_M [mg][am] – a p termék szempontjából az mg gépcsoporthoz tartozó am-edik gép P[p].Q – a p termék legkisebb gyártható darabszáma (logisztikai egység mérete) P[p].R[ar] – a p termék gyártására alkalmas ar-edik végrehajtási útvonal P[p].S – a p termék gyártásához elıírt gépbeállítás-típus azonosítója PRI_MG –prioritásértékeket és gépcsoportokat összekapcsoló tömb r –a végrehajtási útvonalak azonosítója (r = 1,…,NR) R_MG – a végrehajtási útvonalakhoz tartozó gépcsoportokat leíró kapcsolótömb RT – az újraütemezés megkezdésének idıpontja SCH – termelési ütemterv SHOP.DSCH – a gyártórendszerben végrehajtásra kiadott termelési finomprogram vagy megvalósított termelési finomprogram – a gyártórendszer munkaállománya SHOP.J SHOP.M – a gyártórendszer gépállománya – a gyártórendszer rendelésállománya SHOP.O SHOP.OBJ_VAL – a gyártási folyamat tervezett teljesítménymutatói vagy tényleges teljesítménymutatói ts – technológiai lépések azonosítója (ts =1,…, NTS)
PHD ÉRTEKEZÉS
1.
9
BEVEZETÉS
Az alkalmazott informatika egyik nagyfontosságú és gyorsan fejlıdı területe a termelési rendszerek informatikai támogatása. Napjainkban a termelési rendszerek minden hierarchiai szintjén rendelkezésre állnak már a tervezést, az irányítást, a megfigyelést, a végrehajtást és a döntéstámogatást segítı számítógépes alkalmazások. Kialakultak olyan nagy, integrált alkalmazási rendszerek (CAD/CAM, ERP, MES), amelyek komponenseit, moduljait a termelı és szolgáltató rendszerekre illesztve hatékony megoldások nyerhetık. A tapasztalatok szerint azonban a termelési folyamatok sokszínősége, bonyolultsága, valamint a piaci, üzleti környezet változékonysága állandóan újratermeli az alkalmazott vagy alkalmazható modellek és eljárások felülvizsgálatát, fejlesztését és az alkalmazások integrációjának igényét. Napjainkban a tömeggyártással foglalkozó vállalatok tekintélyes része is kénytelen a vevık igényeinek közvetlen kiszolgálására (pl. tömegcikkek, világítótestek, háztartási gépek stb. gyártása). A versenyképesség növelése érdekében folyamatosan és rugalmasan alkalmazkodniuk kell a piaci körülmények gyors változásaihoz. Ez megköveteli a gyártási hatékonyság és a szállítókészség egyidejő javítását. Az elıbbit például az erıforrások minél jobb kihasználásával, alacsony gyártási költségekkel, az utóbbit jól ütemezett termeléssel, a rendelésre és a raktárra való gyártás kombinálásával lehet elérni. A vállalatok sikeressége számos esetben a megrendelık határidıigényeinek magas szintő kielégítésén múlik. Mindez egyre fontosabbá teszi a hosszú, közép és rövid távú termeléstervezési és -ütemezési feladatok hibátlan megoldását. A termelés finomprogramozása (folyamatközeli ütemezés) a MES (Manufacturing Execution System) néven ismert gyártásirányítás rövid távú – esetenként valós idejő – tervezési feladata. Ismertek a termelési rendszer korlátozásai, a véges technológiai kapacitások, az erıforrások rendelkezésre állásai, a mőveletek sorrendi elıírásai stb. Az ütemezésnél a gyártásra kiadott, belsı rendeléseken alapuló munkák és mőveletek elvégzéséhez gyártási erıforrásokat (gépek, eszközök stb.), valamint indítási és befejezési idıpontokat kell tervezni úgy, hogy a korlátozások teljesüljenek, és a termelés teljesítményét mérı mutatók optimálisak legyenek, azaz a menedzsment magasabb szintjén megfogalmazott célok megvalósuljanak. A diszkrét termelési folyamatokban a termékek elkészítése gyártási sorozatokban, kötegekben történik. A sorozatok nagysága nagyon változó lehet, egyetlen darabtól (pl.: nagy értékő alkatrészek vagy egyedi gépek, berendezések gyártása) több ezer, sıt több millió darab termékig is terjedhet (pl.: tömegcikkek, komponensek, alkatrészek tömeggyártása esetén). A diszkrét gyártó-szerelı rendszerekben a mőveletek végrehajtása elkülönült gépeken (esetleg kézi munkahelyeken) történik. A gyártási
PHD ÉRTEKEZÉS
10
folyamat rendszerint több, térben és idıben egymás után (sorba) kapcsolt részfolyamatból, mőveletbıl, technológiai lépésbıl áll. A mőveleteknek és ezek sorrendjének alternatívái is lehetnek. A sorba kapcsolt mőveletek száma néhánytól (25) akár 100-ig is terjedhet. Tömeggyártásnál nagyszámú termék ugyanazt a technológiai utat járja be. Az ilyen gyártási folyamatot soros felépítéső, folyamszerő „Flow Shop” gyártásnak nevezik. A soros gyártási struktúrához és homogén technológiai tervekhez kapcsolódó modellben (Flow Shop, FS) a rendelésekben megadott számú munkadarab adott számú különbözı gépen, a technológiai sorrendnek megfelelıen, egymás után kerül megmunkálásra. Ha megengedett az, hogy az egyes gépeken a munkák sorrendje eltérı legyen, akkor elızéses, ellenkezı esetben elızésmentes modellrıl van szó. A termelés során tehát munkadarab sorozatok (kötegek) gyártásáról kell gondoskodni. A rendelési sorozatok független bemeneti adatok a gyártás számára. A gyártási és logisztikai sorozatnagyságok azonban termelésirányítási döntések tárgyai lehetnek. Ez az értekezés az igény szerinti tömeggyártás finomprogramozásának támogatására szolgáló számítógépes modellek és ütemezési módszerek továbbfejlesztése terén szándékozik új eredményeket bemutatni.
1.1.
Célkitőzés
Napjainkban – a globalizációs kihívásokra válaszolva – számos nagyvállalat egyedi megrendelésekhez, a kereskedelmi és logisztikai központok egyedi igényeihez igazodó tömegtermelést kénytelen folytatni (Customized Mass Production). Az ilyen termelési folyamatok közös jellemzıje a terméktulajdonságok, specifikációk, technológiai, valamint erıforrás-alternatívák sokfélesége, a megrendelések változatossága, az igények nehéz elırejelezhetısége, és a vevık kívánságaihoz való magasfokú alkalmazkodás igénye (pl. egyedi kiszerelés, szállítási idıpontok) a nagysorozat- és tömeggyártás technológiai körülményei között. A kutatás alapvetı célja az igény szerinti tömeggyártásban fellépı rövid távú, mőhelyszintő termelésprogramozási feladatok modelljének továbbfejlesztése a gyártási feladatok és sorozatnagyságok maghatározásának, a gépek allokálásának és a munkák idıbeli ütemezésének szempontjából. További célja olyan új megoldási módszerek és algoritmusok kifejlesztése, amelyek a termelés változó feltételeihez és igényeihez igazodva egy vagy több értelemben optimumközeli, végrehajtható termelési finomprogramot állítanak elı a gyakorlatban elfogadhatónak számító tervezési (futási) idıkorlátok betartásával. A rövid idıhorizontú tervezési modell és ütemezı egy gyártásirányító (MES) alkalmazás szerves része kell legyen, amelynek támogatnia kell a MES dinamikus gyártásirányító funkcióit is, beleértve a termelési folyamatok minısítésének, a korrekciós újraütemezéseknek, a termelési célok, prioritások és paraméterek megváltoztatásának, valamint a bizonytalanságok menedzselésének igényeit is. Egy sikeres ütemezési koncepció kidolgozásához szükséges a témához kapcsolódó ismert fontosabb ütemezési modellek és azok megoldási módszereinek elemzése, alkalmazhatóságuk vizsgálata, a lehetıségek és a követelmények
PHD ÉRTEKEZÉS
11
összevetése. Ezek ismeretében lehet új, hatékonyabb ütemezési, döntéstámogatási modelleket és algoritmusokat kifejleszteni, implementálni, tesztelni és értékelni. Az értekezésben összefoglalt kutatás az MTA SZTAKI vezetésével folyó „Valós idejő, kooperatív vállalatok” (VITAL) c. projekthez kapcsolódik. A funkcionális követelmények megfogalmazásánál a VITAL kutatási beszámolókban megfogalmazott specifikációkat is figyelembe vettem.
2. TUDOMÁNYOS ELİZMÉNYEK
2.1. 2.1.1.
Flow Shop ütemezési modellek Alap Flow Shop ütemezési modellek
A „Flow Shop” típusú ütemezési feladatok leírása és a megoldás lehetıségeinek vizsgálata már több mint ötven éves, napjainkban is számos termelésirányítási és ütemezési tankönyvben vagy monográfiában megtalálható (pl.: [34], [128], [48], [26]). A formális alapmodellben ismert a gépek (erıforrások) halmaza: M = {m j } , j = 1,..., m , m ∈ Z + ; a munkák halmaza: J = {J i } , i = 1,..., n , n ∈ Z + , minden munka
sorba kapcsolt mőveletekbıl áll: O = {oi , j } , minden mővelet τ ij idıt vesz igénybe,
τ ij ∈ ℜ . A mőveletek homogén sorrendje: j = 1 → 2 → ... → m . A raktárra gyártás (make to stock) teljesítményt mérı célfüggvénye legtöbbször a „makespan”: f = min[max( TCi ) − min( TRi )] , ahol TCi az i. munka befejezési idıpontja, és TRi az i. munka indítási idıpontja. Rendelésre gyártás esetén a célfüggvény inkább a késések n
összes idejének minimalizálása: f = min ∑ max( 0 ,TCi − TDi ) , ahol TDi az i. munka i =1
határideje. A klasszikus (egyutas, elızésmentes) feladatnak a teljes átfutási idı minimalizálására csak m ≤ 2 esetben, valamint bizonyos megszorításokkal m = 3 esetben van polinomiális futási idejő megoldási algoritmusa. Ez a nevezetes Johnsonalgoritmus [73]. Ennek fıként elméleti jelentısége van, mert a gyakorlati feladatokban általában m > 2 . Ezekre az esetekre a feladat NP-nehéz, sıt NP-teljes [52]. Gyors processzorokkal a leszámlálásos triviális tervezési algoritmus elızésmentes esetben kb. n < 10 -re ad elfogadható tervezési idıt. Az évek során a különbözı mérető és komplexitású FS feladatok megoldására sokféle egzakt módszer, approximáció, heurisztika, metaheurisztika és más alapú megoldás született.
PHD ÉRTEKEZÉS
12
Számos kutató az alap FS ütemezési feladat permutációs változatának olyan megoldási módszereit vizsgálta, amelyek a legkésıbbi befejezési idıpont minimalizálását célozták meg. Ismerve Garey és társai (1976) munkássága [52] következtében a probléma NP-nehéz jellegét, a megoldások többsége heurisztikus megközelítést alkalmazott a munkák optimumhoz közeli sorrendjének meghatározására, annak érdekében, hogy az eredmény elfogadható idın belül elıálljon. Legkorábban Johnson (1954) mutatott be olyan heurisztikus megoldást, amely két gépes, egyutas, elızésmentes esetben adott számú munka végrehajtási sorrendjét úgy határozta meg, hogy az utolsó munka befejezési idıpontja szempontjából az ütemterv optimális [73]. Lomincki (1965) szétválasztás és korlátozás alapú megközelítést alkalmazott az optimális munkasorrend megtalálására [93]. Palmer (1965) javasolt egy hatékony algoritmust „slope” mutató számítására alapozva [104]. Majd Gupta (1971) egy alternatív számítási módszert használt a „slope” index meghatározására [55]. Campbell és társai CDS néven ismert heurisztikus algoritmusukat 1970-ben mutatták be [36]. Gupta (1979) lexikografikus heurisztikát fejlesztett ki a feladat megoldására [56]. Nawaz és társai (1983) felépítı heurisztikát dolgoztak ki [99], amely NEH néven vált ismertté, és az újabb algoritmusok minısítésénél ezt a megoldási módszert a mai napig összehasonlítási alapnak tekintik. Gupta és Darrow (1986) olyan kétgépes modellt készített, amelyben a munkák sorrendjétıl függı gépátállítási idıket is figyelembe vették [58]. Rajendran és Chaudhuri (1993) továbbfejlesztették a NEH algoritmust, bevezettek egy súlyozott összeg képzésén alapuló számítási módszert a munkák rangsorolására [110]. Taillard (1990) tesztadatokat definiált, és ezekre vonatkozó futási eredményekkel igazolta, hogy a vizsgált felépítı jellegő heurisztikus algoritmusok közül a NEH változatok a leghatékonyabbak [120]. Framina és társai (2003) szintén NEH algoritmuson alapuló megoldási variánsokat mutattak be [51]. Jelentıs fejlıdést hozott az iteratívan javító heurisztikus megközelítési módok megjelenése, és egyre gyakoribb alkalmazása. Egyutas, elızésmentes feladatok legkésıbbi befejezési idıpontjának minimalizálására szimulált hőtésen alapuló megoldási módszert javasolt Osman és Potts (1989) [103], valamint Ogbu és Smith (1990) [102]. Stefán (2003) megerısített tanulás és szimulált hőtés kombinált alkalmazásával robusztus ütemezési módszert dolgozott ki [118]. Tabukeresés elvén mőködı ütemezı algoritmust fejlesztett ki többek között Nowicki és Smutnicki (1996) [100] valamint Daya és Al-Fawzan (1998) [47]. Grabowski és Wodecki (2002) szintén tabukeresési technikán alapuló hatékony algoritmust fejlesztett ki [54]. Genetikus algoritmuson alapuló megoldási módszereket dolgoztak ki Chen és társai (1995) [38], Reeves és Yamada (1998) [112]. Alcaraz és társai (2006) további két robusztus genetikus algoritmus variációt mutattak be [20], és munkájukban tematikus összefoglalót adtak a permutációs egyutas ütemezési feladatok megoldásairól.
PHD ÉRTEKEZÉS
13
Ying és Liao (2004) „ant-colony” megközelítési módot alkalmazott, ezáltal gráfon értelmezett speciális útkeresési feladat megoldási technikájához hasonló módon kezelte az elızésmentes, egyutas ütemezési feladatot [138]. Agarwal és társai (2006) a [18] dolgozatban ismertettek egy adaptív tanuláson (Adaptive Learning Approach, ALA) alapuló heurisztikus megoldást, szintén permutációs egyutas ütemezési feladatok megoldására. A módszer lényege, hogy felépítı jellegő heurisztikát használt egy kiindulási megoldás elıállítására, majd nemdeterminisztikus lokális szomszédsági keresést alkalmazott, melyben súlyfaktorokon alapuló adaptív vezérlési stratégiát használt. A módszer elınyös tulajdonságait ismert tesztproblémákra vonatkozó futási eredményekkel támasztották alá a Palmer, CDS, NEH módszerekhez képest. Blazewicz és társai (2005) az alap egyutas ütemezési feladatnak olyan esetét vizsgálták, amelyben csak két dedikált gép szerepel, viszont minden munkára határidı van elıírva, amely minden munkára azonos. Célfüggvényként a közös határidı letelte után végzett mőveletek idıtartamának súlyozott összege van megjelölve [30]. Kismérető feladatokon dinamikus programozási megközelítést, leszámlálásra alapozott módszereket, valamint heurisztikus listás ütemezési módszereket hasonlítottak össze. Megállapították, hogy nem lehet egyértelmően kiválasztani a vizsgált módszerek közül a legjobbat, mert mindegyiknek egyaránt van elınye és hátránya is. Megkötés nélküli mőveleti sorrendő (Open Shop) környezetben is hasonló vizsgálatokat végeztek ugyanazzal az általuk bevezetett célfüggvénnyel [29]. Az egyutas, elızéses ütemezési feladatok megoldására – hasonlóan az elızésmentes feladatokhoz – számos esetben keresési metaheurisztikákon alapuló módszereket fejlesztettek ki. Taillard (1990) tabukeresésen alapuló megoldást dolgozott ki [120]. Ponnanbalan és társai (2001) genetikus algoritmus változatokat fejlesztettek ki alapvetıen a legkésıbbi befejezési idıpont csökkentésére törekedve. Mindkét esetben a javasolt módszerek hatékonyságát jól ismert (Palmer, CDS, NEH stb.) megoldási módszerekhez hasonlítva mutatták be. Az alap kétgépes FS modellnek olyan kiterjesztését, amely figyelembe veszi a gépek korlátozott rendelkezésre állását, elsıként Lee (1997) tette meg. Kimutatta a feladat NP-nehéz jellegét egyetlen intervallummegszakítás esetére is. A legkésıbbi befejezési idıpont minimalizálására olyan dinamikus programozási módszert javasolt, amely garantálja az optimum elérését [86]. Cheng és Wang (2000) olyan kétgépes FS modellt vizsgáltak, amelyben csak az elsı géphez rendeltek elıre ismert rendelkezésre állási intervallumokat. A munkák teljes átfutási idejének minimalizálására heurisztikus algoritmust fejlesztettek ki [40]. Blazewicz és társai (2001) szintén erre a célfüggvényre koncentrálva vizsgálták a kétgépes FS modellt úgy, hogy általánosan felírt rendelkezésre állási idıintervallomokat is figyelembe vettek. Felépítı jellegő heurisztikát és lokális keresésen alapuló módszereket dolgoztak ki [28]. Az idıben korlátozottan elérhetı gépeket tartalmazó egygépes, párhuzamos gépes, és FS modellekrıl, valamint a javasolt megoldási módszerekrıl Schmidt (2000) részletes áttekintést készített [113]. Yamada (2003) PhD értekezésében szintén megjelentek a különbözı metaheurisztikák és azok alkalmazása alap FS ütemezési feladatok megoldására [136]. Megállapítható, hogy mivel mind az elızésmentes, mind az elızéses FS ütemezési feladatok NP-teljesek, ezért megoldásukra többségében heurisztikus
PHD ÉRTEKEZÉS
14
megoldásokat alkalmaznak. Ezeket a heurisztikákat három csoportba szokás sorolni. Az elsı csoportba tartoznak az egyszerő (single-pass) heurisztikák – amilyen például a Palmer-szabály is [104] – melyek valamilyen egyszerően számolható index alapján rendezik sorba a munkákat. A második csoportba tartoznak a felépítı jellegő heurisztikák, amelyek már összetettebb számítási eljárással, több szempontot figyelembe véve határozzák meg a munkákhoz tartozó mutatókat. Majd ezek alapján veszik egymás után sorba a soron következı munkát, és hozzák meg a végleges döntést az adott munkára vonatkozóan. Tipikus példa a konstruktív heurisztikákra a CDS [36] és a NEH [99] heurisztika. A harmadik csoportba tartoznak az iteratív javításon alapuló módszerek. Ebbe a kategóriába tartoznak például a genetikus algoritmusok (GA), a szimulált hőtés (SA), a tabukeresés (TS) továbbá ezek kombinált, továbbfejlesztett megoldásai is. Ezek más metaheurisztikákhoz hasonlóan alapjában véve determinisztikus vagy nemdeterminisztikus keresési technikák, amelyekben valamilyen stratégiát követve a keresési tér fokozatosan, lokális tartományokon keresztül kerül feltérképezésre. Determinisztikus keresés során egy vizsgált közbensı állapotból a továbblépés meghatározott szabály alapján történik, pl.: hegymászó vagy gradiens keresésnél a legjobb szomszédos megoldás irányába. Nemdeterminisztikus keresés esetén a kiterjesztéskor véletlenszerően választott értékek is befolyásolják a döntést, pl.: genetikus algoritmusban a mutációs operátor, szomszédsági keresésnél a módosítóoperátor stb. Az egyik legfontosabb tulajdonsága ezeknek a módszereknek az, hogy az adott problémára jellemzı speciális ismeretek beépíthetık a keresési folyamatba, gyorsítva ezáltal a megoldási folyamatot. Az alap FS modellekrıl további részletes áttekintést, összefoglalót adnak például a [34], [128], [20], [50], [39] munkák. A weben is számos győjtemény található az ütemezési feladatok megoldási algoritmusairól (pl. [42], [107], [35]).
2.1.2.
Párhuzamos gépes Flow Shop ütemezési modellek
A gyártásütemezéssel kapcsolatos kutatások fontos feladata a klasszikus FS feladat bıvítése, kiterjesztése olyan irányokban, melyek megfelelnek a diszkrét gyártásirányítás növekvı számítógépes támogatási igényeinek. Az alapmodell párhuzamos gépekkel történı kibıvítéseként ismert a rugalmas, egyutas (Flexible Flow Shop, FFS) modell. Az ilyen modellekben összetett munkahelyek vannak definiálva. Minden egyes munkahelyen adott számú, azonos feladat végrehajtására alkalmas, egymással párhuzamosan mőködı egyenértékő, részben azonos vagy különbözı intenzitás- és más paraméterértékekkel rendelkezı gépek találhatók. A párhuzamosan mőködı gépek száma munkahelyenként eltérı lehet. Az egymást követı munkahelyek között átmeneti tárolók kaphatnak helyet. A munkadarabokat minden munkahelyen – annak egy kiválasztott gépén – kell megmunkálni. Ezáltal a modellekben megjelenik a gépválasztás (hozzárendelés) feladata is, ugyanakkor továbbra is alapvetı szerepet játszik a munkák gépenkénti sorrendjének és indítási idıpontjának meghatározása. Az alap FS feladat ilyen irányú kibıvítését Arthanari és Ramamurthy (1971) az elsık között tették meg [25]. Olyan általánosított egyutas ütemezési modellt állítottak
PHD ÉRTEKEZÉS
15
fel, amelyben munkahelyet definiáltak. Ennek egy speciális esete a klasszikus FS modell, amelyben minden egyes munkahelyen pontosan egy gép lehet. A hagyományos P modell szintén az FFS egy speciális esete, melyben csak egy munkahely van párhuzamos gépekkel. Azóta nagyon sok kutatató foglalkozott a rugalmas, párhuzamos gépes, egyutas ütemezési feladatokkal. Ennek megfelelıen számos eredmény született ebben a témában. A nagy érdeklıdésnek több oka is van. Egyik fontos oka az lehet, hogy ezek az ütemezési feladatok nehezen megoldható feladatok. Ullman (1975) megállapította, hogy a párhuzamosan mőködtetett gépeket tartalmazó ütemezési problémák NP-teljes feladatok [123]. Késıbb Gupta (1988) majd Hoogeveen és társai (1996) bemutatták, hogy már két munkahely és legalább az egyik munkahelyen két teljesen egyenértékő, párhuzanosan kapcsolt gép esetében is a feladat NP-nehéz feladatosztályba tartozik [57], [67]. Egy másik fontos oka az lehet, hogy a rugalmas egyutas ütemezési feladatok különbözı formái sokszor ipari feladatok alapját képezik. Az FFS feladatok megjelenése a gépgyártás ütemezési feladataira vezethetı vissza, azonban számos más területen is elıfordul (pl.: többprocesszoros számítógépek taszkjainak ütemezése, számítógépes hálózati kommunikáció, projekttervezés, elektronikai cikkek és gépjármővek összeszerelésének ütemezése, textilipari valamint húsipari mőveletek ütemezése stb.). Ezáltal a gyakorlatban fellépı igények kielégítése során születnek új eredmények. A kutatók széles körben, különbözı jelzıket használva tárgyalják ezeket a modelleket. Leggyakoribbak a rugalmas (Flexible Flow Shop: FFS), a hibrid (Hybrid Flow Shop: HFS), a párhuzamos gépes (Flow Shop with Paralell Machines: FSPM), az összetett munkahelyes (Multi-Stage Flow Shop: MSFS) és a többgépes (Multiprocessor Flow Shop: MFS, vagy Flow Shop with Multipe Processors: FSMP) elnevezéső modellek. Ezek közé sorolhatók még a rugalmas gyártósor (Flexible Flow Line: FFL) néven ismert modellek is. A probléma komplexitása és a konkrét alkalmazási területek eltérı volta következtében többféle megoldási megközelítés használatos. Alapvetıen három nagyobb irányzat különböztethetı meg: • Optimális megoldást adó módszerek (optimum approach). • Heurisztikus megoldási módszerek (heuristic approach). • Keresési technikákra alapozott módszerek (AI search approach).
2.1.2.1.
Egzakt megoldási módszerek
A kezdeti kutatások csak két munkahelyes FFS környezet vizsgálatára terjedtek ki, és fıként a legkésıbbi befejezési idıpontot alkalmazták az ütemtervek minısítésére. Leggyakrabban szétválasztás és korlátozás alapú egzakt algoritmusokat fejlesztettek ki, ahogyan azt például Arthanari és Ramamurthy (1971) [25] munkája is mutatja. Egyre jobb alsó korlátokat határoztak meg, azonban nagy feladatok esetében az egzakt módszerek futási ideje túlságosan nagy, ezért csak kis mérető feladatokon alkalmazhatók hatékonyan.
PHD ÉRTEKEZÉS
16
Brah és Hunsucker (1991) szétválasztás és korlátozás elvén alapuló megközelítést használt az FFS feladatok olyan osztályára, amelyben különbözı képességő párhuzamos gépek állnak rendelkezésre a definiált munkahelyeken és a munkák legkésıbbi befejezési idıpontjának minimalizálása a cél [32]. Hasonlóan Rajendran és Chaudhuri (1992) is a szétválasztás és korlátozás elvét alkalmazták a párhuzamos gépes esetre, de csak elızésmentes ütemtervek elıállításával vizsgálták a legkésıbbi befejezési határidı csökkentésének lehetıségeit [109]. Gépek korlátozott rendelkezésre állását vizsgálták HFS modellben Allaoui és Artiba (2006) [24]. Modelljükben két munkahelyet definiáltak úgy, hogy az elsın csak egyetlen gép, míg a másodikon több párhuzamos gép szerepel. Szétválasztás és korlátozás alapú megoldási módszert javasoltak a legkésıbbi befejezési idıpont minimalizálására. Kis és Pesch (2005) részletes áttekintést adnak a rugalmas egyutas ütemezési feladatok megszakítás nélküli változatairól, és a legkésıbbi befejezési idıponttal valamint átfutási idıvel kapcsolatos célfüggvények minimalizálására kifejlesztett egzakt megoldási módszerekrıl [79].
2.1.2.2.
Heurisztikus megoldási módszerek
Az egzakt megoldási technikák alkalmazása NP-teljes feladatok esetében csak szők mérettartományban alkalmazható a nagy futási idı (költség) miatt. Fokozatosan elıtérbe kerültek a heurisztikus megközelítések, amelyek gyors megoldást adnak ugyan, azonban az optimum elérését nem tudják garantálni. Ugyanakkor a heurisztikus megoldások lehetıvé teszik, hogy a feladatok általánosabb formában, nagyobb méretekben is vizsgálhatók legyenek. Wittrock (1985) az FFS feladatok megoldására periodikus heurisztikát fejlesztett ki [134]. Egy olyan módszert javasolt a feladat megoldására, amelyben a hangsúly a teljes átfutási idınek és a folyamatban lévı munkák átlagos számának csökkentésére került. Majd (1988) háromfázisú, nemperiodikus algoritmust javasolt [135]. Az elsı fázisban meghatározásra kerültek a munka-gép összerendelések minden munkahelyen, a második fázisban a munkák gépenkénti végrehajtási sorrendjét rögzítették, végül a harmadik fázisban hozták meg a konkrét indítási idıpontokra vonatkozó döntéseket. Kochar és Morris (1987) az FFL feladatnak kétgépes esetét vizsgálták. Modelljükben figyelembe vették az átállítási idıket is, és kétfázisú heurisztikus megoldást javasoltak [81]. Az elsı fázisban a munkáknak az indítási sorrendjét határozták meg lokális keresési technikával, majd a második fázisban az egyes munkákhoz tartozó gépátállítási idıknek, továbbá a gépek elıtt elhelyezett átmeneti tárolók méretének együttes figyelembevételével szabályalapú géphozzárendelést alkalmaztak. Gupta és társai (1991, 1997) olyan kétmunkahelyes FFS modellt vizsgáltak, amelyben az elsı munkahelyen csak egyetlen gép található. A cél a legkésıbbi befejezési idıpont minimalizálása volt [61], [59]. Vizsgálatukat kiterjesztették olyan esetekre is, ahol mindkét munkahelyen több, teljesen azonos gép dolgozhat párhuzamosan, és a gépátállítási idıtartamok önállóan jelennek meg elkülönítve a mőveleti idıktıl [62]. Fıként az egyszerő prioritásos diszpécserszabályokra (pl.:
PHD ÉRTEKEZÉS
17
leghosszabb mőveleti idejő munka elıre, LPT) valamint a munkák heurisztikus beszúrására alapozott algoritmusokra építették megoldómódszereiket. Az elızıekhez hasonló módon kettınél több munkahelyes modellt vizsgáltak. A munkákhoz önálló (nem egységes) határidıket rendeltek, és az azokkal kapcsolatos célfüggvényeket külün-külön vizsgálták [60]. Az átfutási idıkre vonatkozó kutatásokhoz viszonyítva a munkák késésével kapcsolatos célfüggvényeket jóval kevesebben próbálták minimalizálni. Chang és Liao (1994) átállítási idık figyelembe vétele nélkül a késések súlyozott összegének minimalizálására dolgoztak ki heurisztikus közelítı megoldási módszert. Ennek alapját egy gráfon értelmezett, minimális költségő átfolyási feladat megoldási módszere jelentette [37]. Liu és Chang (2000) hasonló megközelítésben – azonban már sorrendfüggı átállási idıket is beépítve a modellbe – vizsgálták az FFS feladatokat [92]. Yang és társai (2000) dekompozíciós heurisztikát és lokális keresési technikát kombináló módszert mutattak be az FFS feladatok megoldására, szintén a súlyozott késések összegét tekintve minısítési kritériumnak [137]. Heurisztikájuk lényege az, hogy egyetlen munkahelyes, párhuzamos gépes részmodellekre vezetik vissza az FFS modellt. A WSPT (súlyozott legkisebb mőveleti idejő elıre) szabály és a MSF (legkisebb tartalékú elıre) szabály kombinált alkalmazásával a késések várható költségére alapozták a megoldási módszert. A szimulált hőtés elvéhez hasonló lokális keresési technikát használtak az eredmények javítására. Botta-Genoulaz (2000) az FFS feladatok megoldása során munkákra vonatkozó sorrendi korlátozásokat, idıablakokat vett figyelembe, továbbá szétválasztotta a gépátállítási és megmunkálási idıket. Az ütemezés egyetlen céljának a legnagyobb késés minimalizálását tekintette [31]. Hong és társai (1999, 2000, 2001) fuzzy koncepción alapuló módszereket alkalmaztak az FFS feladatok megoldására. Az ütemezendı munkákat fuzzy halmazokkal írták le, speciális tagsági függvényeket definiáltak a gépek allokálására (fuzzy LPT) és a munkák indítási sorrendjének meghatározására (fuzzy Palmer) [64], [65], [66]. Brah és Loo (1999) a megoldandó FFS feladat jellemzıinek (pl.: munkák száma, munkahelyek száma, munkahelyeken lévı gépek száma stb.) és az alkalmazott megoldó heurisztikáknak az eredményre gyakorolt hatását vizsgálták [33]. Tanulmányukban bemutatták, hogy a feladat jellemzıi nagymértékben befolyásolják az elérhetı eredményt. Példaként kiemelhetı, hogy a legkésıbbi befejezési idıpont és az átlagos átfutási idı lineárisan nı a munkák vagy a munkahelyek számának növelésével. Az átfutási idık jelentısen csökkennek az adott munkahelyeken elhelyezett párhuzamos gépek számának növelésével.
PHD ÉRTEKEZÉS
2.1.2.3.
18
AI keresési technikákra alapozott megoldási módszerek
A speciális feladatváltozatokra kifejlesztett heurisztikus módszerek alkalmazhatósága más célfüggvényekre erısen korlátozott, részletesebb modellekre pedig még komoly módosításokkal sem igazán alkalmazhatók. A kutatások fı vonulata olyan irányba terelıdött, amelyben az adaptálható módszerek kerültek a középpontba. Az utóbbi két évtizedben elıszeretettel alkalmaztak általános AI keresési technikákat – más típusú optimalizálási feladatokhoz hasonlóan – az ütemezési feladatok megoldására. Az FFS feladatok megoldására fıként a genetikus algoritmusokat, a tabulistás kereséseket, a szimulált hőtés elvére alapozott algoritmusokat és a mesterséges neurálishálókat alkalmazó módszereket alkalmazták sikeresen. Nowicki és Smutnicki (1998) tabukeresési megközelítést alkalmaztak az FFS feladatok legkésıbbi befejezési idıpontjának minimalizálására [101]. Módszerük alapját a kritikus útvonal fogalmára és a munkákból szervezett blokkokra vonatkoztatott speciális szomszédsági reláció jelentette. Lee és társai (1997) egy genetikus algoritmus változatot javasoltak az FFS feladatok esetében a legkésıbbi befejezési idıpont minimalizálására [87]. Modelljükben fontos szerepet kapott a sorozatnagyság, és ennek megfelelıen a munkasorozatokat egyesítı/szétválasztó rekombinációs operátor is. A kifejlesztett algoritmusuk hatékonyságát más AI keresési technikákkal összehasonlítva, futási eredményekkel támasztották alá. Wang és Li (2002) szintén genetikus algoritmust használtak az FFS feladatok megoldása során a munkák végrehajtási sorrendjének meghatározására [131]. A legkésıbbi befejezési idıpont minimalizálására törekedtek, egyszerő modellt javasoltak a megoldások reprezentálására, azok értékelésére és kiválasztására, valamint könnyen kezelhetı operátorokat a keresztezés és a mutáció megvalósítására. Módszerük hatékonyságát Wittrock (1988) [135] heurisztikájával hasonlították össze. Leon és Ramamoorthy (1997) rugalmas gyártósorok esetében, reguláris célfüggvények figyelembevételével vizsgálták a keresési technikákat [89]. Az FFL modellt az alap FS modell és az egymunkahelyes, párhuzamos gépes P modell kombinációjaként értelmezték. Megközelítésük igazi újdonságának az tekinthetı, hogy megengedettnek tekintették bizonyos munkahelyek kihagyását a gyártási folyamat során. Egy gyors heurisztikus megoldási módszert javasoltak megvalósítható ütemtervek elıállítására, valamint lokális keresési technikára alapozva három egyszerő algoritmusváltozatot fejlesztettek ki a legkésıbbi befejezési idıpont és az átlagos késések csökkentésére. A keresés során az úgynevezett problématéren alapuló (problem-space-based) szomszédsági elvet követték melyet Storer és társai (1992) javasoltak [119]. A Leon és Ramamoorthy (1997) által eredetileg javasolt módszer véletlenszerően választott szomszédos megoldások vizsgálatán alapult. Ezt a módszert Kurz és Askin (2001) továbbfejlesztették, elért eredményeiket a [83] munkájukban ismertették. Tovább bıvítették FFL modelljüket (2003, 2004), munkasorrendtıl függı gépátállítási idıket vettek figyelembe, és azoknak megfelelıen további megoldási módszereket javasoltak [84], [85]. Zdansky és Pozivil (2002) az FSMP feladat egy olyan modelljét dolgozták ki, amelyben a befejezési idı minimalizálására törekedtek, de figyelembe vették a gyártási
PHD ÉRTEKEZÉS
19
sorozatnagyságokat is. Egy olyan megoldási módszert fejlesztettek ki, amely a genetikus algoritmus elvének és a tabukeresés elvének egy sajátos kombinációjaként jelent meg [139]. Wang és társai (2003) egy hibrid neurálishálózat-alapú módszert fejlesztett ki az FFS feladatok megoldására [130]. Neurális háló állítja elı az egyes megoldási változatokat, majd ezek értékelését követıen a megszerzett tapasztalatokat a háló tanítására használják fel. A megközelítésnek hatékonyságán és eredményességén túl további fontos jellemzıje a rugalmasság és a viszonylag egyszerő implementálhatóság. Feladatspecifikus tudás beépítésével további – fıként a módszer futási idejére vonatkozó – javítás érhetı el. Jungwattanaki és társai (2005) a rugalmas, egyutas ütemezési feladatok megoldására kétszintő heurisztikus megoldási módszert mutattak be [74]. Modelljükben különbözı sebességő párhuzamos gépek szerepeltek, továbbá munkákhoz rendelt befejezési határidıket is figyelembe vettek. A munkákhoz tartozó mőveletek a modellben nem szakíthatók meg, átlapolások nincsenek megengedve. Az ütemezés célja kettıs: egyrészt a munkák súlyozott befejezési idejének, másrészt a késı munkák számának minimalizálása. Az elsı fázisban felépítı jellegő heurisztikus módszereket alkalmaznak, amelyeket az alap FS feladat jól ismert heurisztikus algoritmusaira építenek (Palmer, CDS, Gupta, Dannenbring, és NEH heurisztika). A felsorolt algoritmusokat az elsı munkahelyre alkalmazzák, majd heurisztikus prioritási szabályokat használnak a többi gépre (pl: érkezési sorrend, First In First Out, FIFO). A második fázisban iteratív módon javítják a megoldásokat genetikus algoritmus és szimulált hőtés elveket felhasználva. A szerzık modelljük továbbfejlesztésével munkák sorrendjétıl függı átállási idıket is figyelembe vettek [75], elért eredményeiket a futási eredményekkel együtt mutatták be [76].
2.1.3.
FFS modellek és megoldási módszereik alkalmazhatósága
Az ismert modellváltozatokról és a megoldási módszerekrıl különbözı szempontok szerint rendszerezett, részletes összefoglalót készített Linn és Zhang (1999) [91], Wang (2005) [132], továbbá Kis és Pesch (2005) [79], valamint Quadt és Kuhn (2007) [108]. Az FFS feladatok megoldási módszereinek szempontjából Quadt és Kuhn alapvetıen egzakt (optimal) és heurisztikus (heuristic) osztályokat különböztettek meg. A heurisztikus módszereket további két csoportba sorolták aszerint, hogy a részekre bontás (decomposition) vagy az egységben kezelés (holistic) elve érvényesül a megoldómódszerekben. A szétbontásra épülı módszereket további munka- (job), munkahely- (stage) és részproblémaorientált (batching, loading, sequencing) csoportokra bontották annak megfelelıen, hogy a módszer mire helyezi a hangsúlyt. Megállapítható, hogy a kutatások nagy része teljesen egyenértékő párhuzamos gépekre vonatkozik, ilyenek például [60], [21], [90] [133]. A gyakorlatban azonban gyakran különbözı képességő és hatékonyságú gépek dolgoznak párhuzamosan ugyanabban a szerepkörben eltérı költségekkel.
PHD ÉRTEKEZÉS
20
A témakörhöz tartozó ismert megoldások többsége optimalizálási kritériumként egyetlen célfüggvényt használ. Ez az esetek többségében (a raktárra történı gyártás alapesetét feltételezve) a megrendelt munkacsoport legkésıbbi befejezési idejének minimalizálását jelenti. Kevesebb megoldási módszer született (a határidıre történı gyártásnak megfelelıen) a késésekkel kapcsolatos célfüggvények valamelyikének minimalizálására [92], [137]. A speciális feladatváltozatokra kifejlesztett módszerek alkalmazhatósága más célfüggvényekre erısen korlátozott, részletesebb modellekre pedig még komoly módosításokkal sem igazán alkalmazhatók. Az egycélú ütemezéshez viszonyítva a több célfüggvény értékének kompromisszumos optimumát biztosító (multi-objective, multi-criteria) megoldások elıállítása terén kevesebb kutatási eredmény született. Jellemzıen olyan módszerek léteznek, amelyek csak egy elsıdleges és egy másodlagos, vagy egy elsıdleges és több alacsonyabb prioritású cél elérésére koncentrálnak [75]. Ugyanakkor, az ilyen megoldási módszerek – az ütemezési hatékonyság és a számítási sebesség növelése érdekében alkalmazott heurisztikák miatt – megváltozott célok kezelésére nem vagy csak nehezen alkalmazhatók. Léteznek különbözı általános elvek és módszerek többcélú kombinatorikus optimálási feladatok megoldására (pl.: [114], [94], [53]), azonban dinamikus rendszerekben, gyakran változó fontosságú célok esetén a bonyolult paraméterezés miatt ezek alkalmazása nehézkes. A kutatások jelentıs része az aktuálisan vizsgált modelltulajdonság kiemelésére helyezi a hangsúlyt, az egyszerőbb kezelhetıség érdekében háttérbe kerülnek az egyéb jellemzık. Az FFS modellekben rendszerint folyamatosan elérhetı gépek szerepelnek (pl.: [75], [139], [87], [20]). Kivételnek számító esetekben jelennek csak meg a gépek rendelkezésre állására vonatkozó idıbeli korlátozások, és ilyenkor is csak egyéb tényezık egyszerősítésével, elhagyásával kerülnek bemutatásra. Allaoui és Artiba (2006) például a gépek korlátozott rendelkezésre állását úgy vizsgálták HFS környezetben, hogy modelljükben két munkahelyet definiáltak. Az elsı munkahelyen csak egyetlen gép, míg a másodikon több párhuzamos gép szerepelt. Szétválasztás és korlátozás alapú megoldási módszert használtak a legkésıbbi befejezési idıpont minimalizálására. A munkák sorrendjétıl függı vagy attól független gépbeállítási/átállítási idıket figyelembe vevı FFS modelleket és módszereket Allahverdi és társai (1999) [22], (2007) [23] rendszerezték. Azok a megoldási módszerek, amelyek a sorozatnagyságra (a rendelések bontására és/vagy egyesítésére) vonatkozó kérdésekkel is foglalkoznak, rendszerint csak a teljes rendeléscsoport átfutási idejét, vagy a befejezési idıpont csökkentését célozzák meg. Jó példák ezekre a Lee és társai (1997) [87], valamint Zdansky és Pozivil (2002) [139] által bemutatott módszerek. A sorozatnagyságok kezelését is tartalmazó ütemezési feladatokról és azok megoldási módszereirıl részletes elemzést készített Zhu és Wilhelm (2006) [140]. Az egyik fontos kutatási terület, mely az utóbbi idıben hangsúlyt kapott, az elıidejő (prediktív) ütemezés és a valós idejő folyamatmenedzsment (Process Management) összehangolása. Ennek az integrációnak több aspektusa is van, például a „bizonytalanságkezelés”, a „kockázatmenedzsment”, a „prioritásmenedzsment”, a „viselkedés alapú termelésirányítás” stb. [122], [98]. A problémakör a gyártásirányítás fontos beavatkozási tevékenységeként kezeli a termelési folyamatok részbeni vagy
PHD ÉRTEKEZÉS
21
teljes újraütemezését. A témával kapcsolatos eredményekrıl, a különbözı újraütemezési stratégiákról a [126], [105], és [127] publikációk is beszámolnak. A kutatók egyetértenek abban, hogy az újraütemezést az eredeti ütemezési feladat jelentıs módosításaként kell tekinteni, ahol új korlátozások és új célok jelennek meg. A probléma megoldásterét általában ezek a feltételek szőkítik, de járulékos nehézséget okoznak a speciális gyártásirányítási követelmények (pl. anyagellátási, minıségbiztosítási, logisztikai stabilitási igények) kielégítésének lehetıségei. Fontos új követelményként fogalmazható meg, hogy az alkalmazott modellnek lehetıvé kell tenni a gyártásirányító személy (üzemvezetı, mővezetı, üzemmérnök) olyan interaktív ütemezési javaslatainak és döntéseinek beillesztését, amely az eredeti és a járulékos korlátozások és célok kielégítését egyaránt biztosítja. Az újraütemezés speciális igényeivel kapcsolatos összefoglalások találhatók pl.: a [111], [27] irodalomban. Magyarországon a diszkrét gyártási folyamatok modellezése és a gyártási folyamatok ütemezése több évtizede kutatás és fejlesztés tárgya. A mőszaki egyetemek (BME, ME) gépgyártástechnológiai és alkalmazott informatikai tanszékei mellett eredményes kutatás-fejlesztés folyik az MTA SZTAKI-ban, és korábban a GTI-ben is. Az ütemezéselmélet témakörében eredményeket publikáltak további egyetemek kutatócsoportjainak, alkalmazott matematika, operációkutatás, informatika tanszékeinek kutatói is. Példaként említhetı meg néhány jellemzı eredmény az elmúlt évekbıl. MTA SZTAKI: [44], [43], [78], [77], [82], [97], [125]; BME: [117], [115], [116]; ME: [49], [68], [122]; ELTE: [129], [124]; SZTE: [19], [71], [72], [71]; PTE: [45], [46]; VE: [63], [95]. Összefoglalva megállapítható, hogy a tématerület jelentıs elméleti háttere és a publikációk nagy száma ellenére a jelenleg ismert többgépes termelésütemezési modellek, és azok megoldási módszerei még nem veszik egyszerre figyelembe az igény szerinti tömeggyártás jellegzetességeit: több mővelet együttes végrehajtására képes gépeket, technológiai útvonalalternatívákat, gépek változó rendelkezésre állási idıintervallumait, gépenként eltérı termelési intenzitásokat és selejtarányokat, sorrendfüggı átállási idıket, valamint az esetenként gyorsan változó termelési célokat, prioritásokat. Szükség van tehát ezeknek a modelleknek a kiterjesztésére, továbbfejlesztésére és hatékony megoldási módszerek kifejlesztésére, amelyek aztán új, hatékony funkcionális komponensei lehetnek a számítógépes MES alkalmazásoknak.
2.2.
Diszkrét termelési folyamatok irányítása
Ismeretes, hogy a korszerő vállalatirányítási tevékenység kiterjed a termelésfejlesztés, a választékbıvítés, a vállalati költséggazdálkodás, a piackutatás és feltárás területeire és más, a vállalat mőködésével összefüggı egyéb területekre is, amelyek a megrendelések beérkezésétıl a késztermék kiszállításáig tartó, szőkebb értelemben vett termelési folyamatokon kívül esnek. Egy vállalat egészének mőködését – vagyis a vállalaton belül végbemenı tevékenységi folyamatokat – a tervezés, az elıkészítés, a végrehajtás és az ellenırzés szakaszokra lehet bonthani [121].
PHD ÉRTEKEZÉS
22
Az ipari technológiák egy részében a termékegyedek és a folyamatelemek térben és idıben egymástól jól elkülöníthetık (pl.: alkatrészgyártás és szerelés esetén a mőveletek, operációk). Az ilyen jellengő technológiai folyamatokra alapozott termelést szokás diszkrét termelési folyamatnak nevezni. Általában a diszkrét termelési folyamatok irányítása több, hierarchikusan egymásra épülı szinten megy végbe. A magasabb szint hosszabb idıszakot fog át és csak a fontosabb szempontokkal foglalkozik. Az alacsonyabb szinten a felsıbb szintrıl kapott irányítási döntések alapján hozzák meg az egyre részletesebb, de egyre rövidebb idıperiódusra vonatkozó irányítási döntéseket. Ha az alacsonyabb szint megoldhatatlan feladatot kap (pl. azért, mert a körülmények közben megváltoztak), akkor visszajelez a közvetlenül felette lévı szintre, ahol módosítást kell végrehajtani. A termelési rendszerek folyamatainak számítógépes tervezése és irányítása a gyakorlati esetek nagy többségében hierarchikus struktúrák segítségével valósul meg. A termeléstervezés és termelésirányítás területén is áltában elkülönül a hosszú távú stratégiai tervezés és menedzsment, a közép távú aggregált tervezés és a rövid távú – esetenként valós idejő – termelésütemezés és -végrehajtás feladatköre. Ez utóbbit a nemzetközi irodalom SFC (Shop Floor Control) néven tárgyalja. A magyar mőszaki terminológia a legyakrabban az „üzemirányítás” és a „gyártásirányítás” kifejezéseket használja (1. ábra).
MIS Vezetıi információs rendszer ERP Integrált vállalatirányítási rendszer CAL Szg. logisztika
CRM
CAE Számítógépes mőszaki tervezés CAD CAPP PPS Szg. kontrukciós tervezés
Szg. folyamattervezés
Szg. termeléstervezés
Vevırelációk
SCM Beszállítói rendszer
IC Készletgazdálkodás
CAQA Szg. minıségbiztosítás
CAQP Minıségtervezés
CAM Számítógépes Gyártás CAPC Számítógépes termelésirányítás SFC, MES Számítógépes üzem-, gyártásirányítás FMSC, CC Gépcsoport, rendszer, cella irányítása CNC, ROC Munkahelyi berendezések irányítása PLC, DCS Techonógiai folyamatok irányítása
SPC Statisztikai ellenırzés
MMC Mérıgépek vezérlése
1. ábra: Számítógépes termelésinformatikai rendszerek és funkciók
PHD ÉRTEKEZÉS
2.2.1.
23
A gyártásirányítás feladatai és céljai
A gyártás az ipari termelés anyagainak, alkatrészeinek, szerelvényeinek és késztermékeinek elıállítására irányuló mőszaki-gazdasági tevékenység [48]. A diszkrét gyártási folyamatok alapeleme a mővelet. A mőveletek meghatározott gépeken, berendezéseken, munkahelyeken meghatározott sorrendben, különbözı szerszámok, készülékek használatával, meghatározott technológiai adatokkal végezhetık el. A mőveletek között rendszerint bonyolult kapcsolatrendszer áll fenn (pl. megelızési reláció stb.). A mőveletek végrehajtását a munkahelyek (pl. kézi munkahely vagy automatizált technológiai berendezés stb.) valósítják meg. A munkahelyek rendszerint gyártócsoportokba, gyártócellákba, gyártórendszerekbe, gyártómőhelyekbe szervezve funkcionálnak. Az ilyen gyártórendszerek irányításában önállóan is megfogalmazható részfeladatok megvalósítását szoros integrációban kell megoldani. A gyártásirányítás legfontosabb feladatai: (1) a közép távú termelési tervek lebontása részletes, rövid távú feladatokra, a feladatok ütemezése, (2) a feladatok végrehajtásához szükséges anyagi, humán és információs feltételek biztosítása, (3) a feladatok eszközökhöz rendelése, kiosztása és elindítása, (4) a folyamatok valós idejő irányítása és megfigyelése, (5) a végrehajtás minıségének biztosítása, (6) az eredmények értékelése, szükség esetén korrekciója, (7) a bizonytalanságok és a kivételes események kezelése. A gyártómőhelyek irányítása erısen interaktív jellegő. A döntéseket a gyártórendszer vagy a mőhely vezetıi hozzák. A döntések támogatására számítógépes rendszereket alkalmaznak, amelyek nagy mennyiségő információt dolgozhatnak fel. A kapcsolódó információk alapvetıen három forrásból származnak: (1) a mőszaki és üzleti tervezırendszerektıl a vállalati helyi hálózaton keresztül; (2) a mőhely- vagy gyártórendszer-menedzsmenttıl interaktív felületen keresztül; (3) a mőhely megmunkáló rendszereit képviselı gyártócelláktól, mérı- és anyagkezelı celláktól, önálló munkahelyektıl, üzemi termináloktól, üzemi hálózaton keresztül. A számítógépes gyártásirányítási feladatok támogatására – a vállalatirányítási feladatok támogatására szolgáló ERP (Enterprise Resources Planning) rendszerekhez hasonló – több funkcionális komponensbıl álló MES (Manufacturing Execution System) rendszerek alakultak ki. A MES célja a gyártási folyamatok végrehajtásának optimális irányítása, az aktuális üzleti és mőszaki célok lehetı legjobb megvalósítása.
2.2.2.
MES – Számítógépes gyártásirányító rendszerek
A MES hardver és szoftver komponensek együttese, amely lehetıvé teszi termelési tevékenységek (aktivitások) menedzselését és optimalizálását a belsı rendelések kibocsátásától a késztermék elıállításáig. Egy MES – ellenırzött és percrekész adatok felhasználásával – gondoskodik a tervezett tevékenységek idıbeli ütemezésérıl, elindításáról, irányításáról, a végrehajtás felügyeletérıl, visszajelzések és jelentések készítésérıl és továbbításáról. A MES a termelési aktivitásokról feladatspecifikus információkat szolgáltat a vállalat döntési folyamatainak támogatásához.
PHD ÉRTEKEZÉS
24
A nemzetközi gyakorlatban az alkalmazott MES rendszerek száma folyamatosan növekszik. A MES-gyártók nemzetközi szövetsége a MESA a legfontosabb komponenseket a következı listával definiálja [96]: 1. Rendelésmenedzsment (Order management). 2. Rövid távú ütemezés (Detailed scheduling). 3. Gyártásirányítás (Dispatching production units). 4. Termelésidokumentum-menedzsment (Document control). 5. Termelési adatok győjtése (Data collection and acquisition). 6. Erıforrások allokációja és megfigyelése (Resource allocation and status tracking). 7. Munkaerımenedzsment (Labor management). 8. Minıségbiztosítás (Quality management). 9. Folyamatmenedzsment (Process management). 10. Karbantartás-menedzsment (Maintenance management). 11. Termelésifolyamat-követés (Product tracking and genealogy). 12. Teljesítményanalízis (Performance analysis). Mint az a 2. ábrán látható, a MES-funkciók egy többszörösen visszacsatolt bonyolult szabályozási rendszert alkotnak. A funkcióblokkok „testre szabása” ezért a kereskedelmi MES-rendszerek alkalmazásának egyik elengedhetetlen feltétele. A MES-funkcióblokkok fejlesztése ma is széleskörő elmélet- és gyakorlatorientált kutatás tárgya. Ez az értekezés ehhez a fejlesztı munkához kíván néhány új eredménnyel hozzájárulni. Az ábrán eltérı színnel jelöltem meg az értekezés eredményei által érintett MES funkciókat. Ezek közül a legfontosabb a feladatok részletes ütemezése és allokációja. A kiterjesztett modell alapján fejlesztett funkciók azonban egyidejőleg támogatják a termelési folyamatok teljesítményértékelését, a bizonytalanságkezelést, a feladatok újraütemezését is.
MES ERP
Termelésütemezés és újraütemezés
Folyamatmenedzsment
Anyag
Gyártásirányítás
Gép- és folyamatvezérlés
MA ERP ERP
Rendelés-és dokumentummenedzsment Analízis és értékelés
Munkaerımenedzsment
Bizonytalanságmenedzsment
Minıségbiztosítás
Folyamatok és gépek felügyelete
Technológiai folyamat
Megfigyelés Szenzorok
Termékkövetés
Karbantartástervezés
2. ábra: MES funkciók
Termék
PHD ÉRTEKEZÉS
25
3. KITERJESZTETT RUGALMAS FLOW SHOP ÜTEMEZÉSI MODELL
3.1.
Mőhelyszintő termelésprogramozási feladatok általános jellemzıi az igény szerinti tömeggyártásban
Egy igény szerinti tömeggyártást folytató vállalat több (esetenként számos) különbözı terméket állít elı. A gyártásirányítás szintjén jellemzıen adott egy belsı rendelésállomány, amelyet a külsı rendelések és az elırejelzések figyelembevételével a vállalat termeléstervezési szintjén definiálnak. Minden egyes rendelés meghatározott típusú, adott darabszámú egyforma termék adott határidıre történı legyártását írja elı. A tömeggyártás mőhelyszintő irányításában elıredefiniált logisztikai egységek szerepelnek. A logisztikai egység (pl. paletta, konténer) megadott darabszámú, adott típusú termék elıállítására irányuló munkadarabok együttesét jelenti. A logisztikai egység munkadarabjai együtt kerülnek mozgatásra a gyártó-szerelı rendszerben, és azonos mőveleteket kell rajtuk végrehajtani. Egy rendelés ilyen logisztikai egységek halmazának tekinthetı, ahol a logisztikai egységek számát a rendelt mennyiség és a logisztikai egység termékfüggı mérete együttesen határozzák meg. A belsı rendelésekben szereplı termékek elıállításához – a termék típusától függıen – adott számú mőveletet kell kötött sorrendben végrehajtani. A mőveletek rendszerint további részoperációk sorozatából tevıdhetnek össze, azonban a mőveletek jellemzıen nem szakíthatók meg, ezért ezek tekinthetık az ütemezés során a legkisebb allokációs egységeknek. Egy mővelet adott idıben történı elvégzéséhez megfelelı gép (munkahely), továbbá meghatározott típusú és mennyiségő (esetleg többféle) anyag és/vagy komponens együttes rendelkezésre állása szükséges. Ugyanakkor a termelés rugalmas jellegébıl következik, hogy egy adott típusú termék alternatív anyagok, komponensek, gépek és útvonalak használatával is elıállítható. A gyártó-szerelı rendszerben rendszerint automatizált gépek, gépsorok, (esetleg kézi munkaszalagok) mőködnek, amelyek a terméktıl függı gyártási sebességekkel, a munkák sorrendjétıl függı átállási idıkkel, rendelkezésre állási idıintervallumokkal és egy adott termékcsoportra érvényes egymást követı mőveletek sorozatával jellemezhetık. A gyártás során egy adott gép egyszerre csak egy feladaton dolgozhat, és egy adott feladaton egyszerre csak egy gép dolgozhat. A gépek között átmeneti tárolóhelyek vannak kialakítva, amelyek mérete – ütemezési szempontból – rendszerint nem korlátozott.
PHD ÉRTEKEZÉS
26
A termelési finomprogram elkészítésekor figyelembe kell venni, hogy az ütemezési idıhorizonton a mőhely bizonyos gépei már korábbi, még be nem fejezett, nem módosítható feladatokkal terheltek, így az utolsó végrehajtásra kiadott és érvényben lévı finomprogram következményei hatással vannak az új finomprogramra.
3.2.
Az EFFS ütemezési feladatosztály formális leírása
Ismeretes, hogy a diszkrét termelési folyamatok mőhelyszintő prediktív ütemezése mind elméleti, mind gyakorlati szempontból az erısen modellfüggı és komplex feladatok körébe tartozik. A napjaink ipari gyakorlatában egyre fontosabbá váló, rugalmas és igény szerinti tömeggyártás irányítása szükségessé teszi az ismert ütemezési modellek további jelentıs kiterjesztését. Az ütemezési feladatok formális leírásának eszközeként a szakirodalomban az α|β|γ formalizmus használata a legismertebb [34]. A szimbólumok jelentése a következı: • α: erıforráskörnyezetet leíró paraméterlista, • β: korlátozásokat, végrehajtási jellemzıket leíró paraméterlista, • γ: célfüggvényeket kitőzı paraméterlista. A listákban szereplı paraméterekre számos javaslat van az irodalomban. Az igény szerinti tömeggyártás általános jellemzıi alapján – a gyártási sorozatnagyságokra, a gépek allokálására és a munkák idıbeli ütemezésére koncentrálva, – az anyagok, komponensek és humánerıforrások rendelkezésre állásának egyszerősítésével – a szakirodalomban használt szimbolikus jelölésrendszer felhasználásával definiálható egy új ütemezési feladatosztály:
Fx, M g , Qi ,m , Set i , j ,m , Calm Ri , Di , Exei , Ai [ f1 , f 2 ,..., f K ] ,
(3.1)
melyet kiterjesztett rugalmas flow shop (Extended Flexible Flow Shop, EFFS) ütemezési feladatosztálynak neveztem el. Az egyes szimbólumok jelentése a következı:
α =[α1 , α 2 , α 3 , α 4 , α 5 ]
α1 : A mőveleti sorrend elıírása. F: a mőveletek (technológiai lépések) sorrendje kötött. x: a sorba kapcsolódó mőveletek maximális száma. α 2 : Az erıforrások jellege. Mg: többcélú, egyetlen vagy akár több mővelet együttes végrehajtására is alkalmas gépcsoportok, valamint gépcsoportokon belül párhuzamos gépek is megengedettek. α3 : A párhuzamos (alternatív) gépek jellege. Qi,m: egymástól független párhuzamos gépek, melyek mindegyike munkáktól függı, eltérı termelési sebességekkel (intenzitásértékekkel) mőködhet. α 4 : A gépek átállítására vonatkozó elıírás. Seti,j,m: munkák sorrendjétıl és géptıl függı átállítási idıadatok figyelembe vétele kötelezı.
PHD ÉRTEKEZÉS
27
α5 : Erıforrásokra vonatkozó speciális elıírások. Calm: Gépekre elıírt rendelkezésre állási idıintervallumok. A gépek csak ezeken belül mőködhetnek.
β =[ β1 , β 2 , β 3 , β 4 ] .
β1 : A munkák indíthatóságára vonatkozó elıírás. Ri: munkánként elıírt legkorábbi indítási idıpont. β 2 : A munkák befejezésére vonatkozó elıírás. Di: munkánként elıírt legkésıbbi befejezési idıpont. β 3 : A munkák végrehajtására vonatkozó elıírás. Exei: munkánként elıírt végrehajtandó mőveletek összefüggı sorozata. β 4 : A munkák gépekhez rendelésére vonatkozó korlátozás. Ai: munkánként elıírt mőveletvégzésre alkalmas gépek halmaza.
γ =[γ 1 , γ 2 ,..., γ K ] : A kijelölt célfüggvények, amelyeknek a minimalizálása a cél. Az ütemtervek minıségét célfüggvények megfogalmazásával és azok kiértékelésével lehet számszerősíteni. Valós környezetben nagyon sokféle termelési cél megfogalmazható. Ismeretes, hogy a termelési modellek széles körében az ismert termelési háromszög állapotváltozói: a lekötött készletszint, az erıforrás-kihasználás és a szállítókészség szükséges és elegendı mértékben meghatározzák a termelési folyamat minısítését. Ezek a makroparaméterek tovább bonthatók, adott követelményeket részletesebben kifejezı mutatók fogalmazhatók meg. A célfüggvények között ezek egyaránt szerepelhetnek, azonban hatással vannak egymásra, kölcsönkapcsolatban állnak, így tetszılegesen nem javíthatók. A termeléssel kapcsolatban megfogalmazott célok fontossága idıben változhat. A feladatosztály leírása jól mutatja az ütemezési feladatok sokszínőségét és erıs modellfüggését. Az EFFS feladatosztály magában foglalja az alap P és FS feladatok, valamint a rugalmas FFS feladatok megszakítás nélküli, elızéses változatait.
3.3.
Az ütemezési modell alapvetı sajátosságai
Az ütemezési modellben minden logisztikai egység önálló, absztrakt munkát jelent. A feladat megoldása során ilyen munkák kerülnek ütemezésre. Nincs elıre rögzített gyártási sorozatnagyság. A gyártási sorozatnagyságokat az adott gépen azonos beállítással készülı munkák darabszámai adják meg. A rendelési sorozatnagyság ennél nagyobb vagy kisebb is lehet. Az ütemezés során az egyes gépeken kialakuló gyártási sorozatnagyság egy munkaköteg, amely két egymást követı beállítási idıintervallum közötti munkák sorozata. A köteg nagysága tehát dinamikusan változhat, megengedve a rendelési sorozat bontását és egyesítését. A modellben az ütemezés elıtt minden munkához hozzárendelhetı egy korlátozás, legkorábbi kezdési idıpont, amely a munka indíthatóságának idıbeli korlátozását jelenti, figyelembe véve a gyártási-szerelési komponensek rendelkezésre állását.
PHD ÉRTEKEZÉS
28
Bevezetem a végrehajtási lépés fogalmát, amely alatt a technológiai lépések olyan sorozatát kell érteni, amely gépváltás nélkül elvégezhetı. Egy multifunkcionális gépsorhoz tartozó végrehajtási lépés több technológiai lépést tartalmaz, míg egy hagyományos géphez tartozó csak egyet. Az ütemezés alapegységének nem a technológiai lépést, hanem a végrehajtási lépést tekintem. A végrehajtási útvonal fogalmát a végrehajtási lépések olyan sorozataként definiálom, amelyben az elıforduló technológiai lépések csak egyszeresen vannak lefedve, azaz a végrehajtási lépések közös része üres halmaz. A végrehajtási lépések típusai alapján gépcsoportokat (géptípus osztályokat) definiálok. Egy gépcsoport azonos végrehajtási lépéssel jellemezhetı, de más jellemzıkben eltérı képességő gépek adott elemszámú halmaza. Mivel a gépek nem minden terméktípust képesek kezelni, így a gépcsoportok terméktípusonként (vagy terméktípus-csoportonként) eltérıek. Egy végrehajtási útvonal végeredményben a megfelelı végrehajtási lépéseket realizáló gépcsoportok sorozatát jelenti. Egy termelési finomprogramot funkcionális szempontból három részre bontok a hatékonyabb kezelés érdekében. Ezek a következık: (1) Feladatok listája, amely munkánkénti bontásban rögzíti a választott végrehajtási útvonalat, valamint az érintett gépcsoportoknak megfelelıen rendre kiválasztott gépet. (2) Feladatok sorrendjének listája, amely gépenkénti bontásban definiálja a munkák végrehajtási sorrendjét. (3) Tervezett idıadatok listája, amely gépenkénti bontásban adja meg a munkákhoz tartozó tervezett kezdési idıpontot, gépbeállítási idıtartamot, mőveleti idıt és befejezési idıpontot. (Az (1) – (3) fogalmak részletes kifejtésére a 3.4.6. alfejezetben kerül sor.) A bemutatott végrehajtás-szemlélető ütemezési modell jól illeszkedik az EFFS feladatosztály jellegzetességeihez, ugyanakkor egyszerőbb feladatok esetében is elınyösen használható.
3.4.
Adatmodell, számítógépi reprezentáció
Az ütemezési modell építıelemeinek számítógépi realizálására kifejlesztettem egy speciális adatmodellt. Az adatmodell egyszerősített vázának formális leírására a számítógépi programozásban általánosan alkalmazott tömbök és objektumok jelölésrendszerét használom. Az adatmodellben indexelt tömböket használok az adatelérés egyszerősítése és gyorsítása érdekében. A gyártási környezetben az ütemezés során használt entitások (pl.: megrendelések, munkák, gépek stb.) indexekkel vannak helyettesítve. Ezek nemnegatív egész számok. Az indexek hivatkoznak az egyes objektumok vektorokban elfoglalt pozíciójára. Ezáltal lehetıvé válik az, hogy egy adott tömb adott elemére történı hivatkozásban a tömb indexe ugyanannak vagy egy másik tömbnek egy megfelelı értéke legyen. Az összetartozó értékeket a bázisvektorokban tárolt alapadatokra történı hivatkozások rendszere tartja össze. Ennek elınye fıként az, hogy
PHD ÉRTEKEZÉS
29
egy tetszıleges elembıl kiindulva – az indexelési szabályok betartásával – minden egyes vele kapcsolatban álló elem közvetlenül elérhetı. A tömbök elemeire történı hivatkozást szögletes zárójelekkel jelölöm, a következı formalizmus szerint: TÖMB_NÉV[INDEX] TÖMB_NÉV[SOR_INDEX][OSZLOP_INDEX] TÖMB_NÉV[DIM_1_INDEX][DIM_2_INDEX][…][DIM_N_INDEX] Olyan esetekben, amikor a tömb elemei mezıkbıl felépülı összetett adatszerkezetek (rekordok, általánosan objektumok), az egyes mezıkre a pont operátor és a mezınév együttes használatával hivatkozom: TÖMB_NÉV[INDEX].MEZİ_NÉV TÖMB_NÉV[SOR_INDEX][OSZLOP_INDEX].MEZİ_NÉV TÖMB_NÉV[DIM_1_INDEX][…][DIM_N_INDEX].MEZİ_NÉV Az objektumok mezıi között további tömbök is szerepelhetnek. TÖMB_NÉV[INDEX_1].MEZİ_NÉV[INDEX_2] [INDEX_3] (Az azonosítókban használt _ aláhúzásnak csak olvasást könnyítı szerepe van.) Egy soronként eltérı elemszámú kétdimenziós tömb általános szerkezetét a 3. ábra szemlélteti. Ilyen kapcsolószerkezeteket használok két különbözı (NÉV1 és NÉV2) tömb elemeinek összerendelésére, ahol a NÉV1 az alaptömböt, NÉV2 pedig a hozzákapcsolt tömböt jelenti.
NÉV1_NÉV2 0 1
NÉV1 [1]
N1
. . .
…
0
K
NÉV1 [K]
NK
1
…
N1
NÉV2 [x]
…
NÉV2 [y]
1
…
NK
NÉV2 [u]
…
NÉV2 [v]
Hivatkozás egy adott elem értékére: NÉV1_NÉV2[SOR_INDEX][OSZLOP_INDEX] SOR_INDEX = (1,…, K) OSZLOP_INDEX = (0,…, NÉV1_NÉV2[SOR_INDEX][0])
3. ábra: Kapcsolótömb általános szerkezete A bemutatott formalizmus használatával az ütemezési modell objektumai, azok attribútumai és a közöttük fennálló kapcsolatrendszer tömören, ugyanakkor áttekinthetıen írható le.
PHD ÉRTEKEZÉS
3.4.1.
30
Termékek
A gyártható terméktípusok p (p = 1,…, NP). A termékek alapattribútumai a következık: P[p].BOM a termék darabjegyzék-azonosítója. A lehetséges komponensbeépülési kombinációk adottak egy anyagjegyzékben, amelyben ÉS logikai operátorok továbbá VAGY logikai operátorok kapcsolják össze a komponenseket. P[p].EXE a termék gyártási folyamatának azonosítója. A termékek legyártásához kötött sorrendő technológiai lépéseket ts (ts =1,…, NTS) kell végrehajtani. A különbözı termékek elıállításához a teljes technológiai lépéssorozatot vagy annak egy összefüggı részsorozatát kell végrehajtani (lásd pl.: 4. ábra N TS = 4 ). Ilyen értelemben a gyártási folyamat típusainak darabszáma a következı összefüggéssel határozható meg:
N EXE =
N TS (1 + N TS ) . 2
(3.2)
Bizonyítás: Tetszıleges NTS számú technológiai lépés esetében a lehetséges gyártásifolyamattípusok elıállíthatók az 13.1 számú mellékletben leírt algoritmussal. EXE kezdı-befejezı TS1-TS1 TS2-TS2 TS3-TS3 TS4-TS4 TS1-TS2 TS2-TS3 TS3-TS4 TS1-TS3 TS3-TS4 TS1-TS4
TS1 EXE1
Technológiai lépések TS2 TS3
TS4
EXE 2 EXE 3 EXE 4 EXE 5 EXE 6 EXE 7 EXE 8 EXE 9 EXE 10
4. ábra: Gyártásifolyamat-azonosítók négy technológiai lépés esetén (NTS = 4) A gyártási folyamatok azonosítói ehhez hasonló módon definiálhatók olyan esetekben is, amikor megengedett bizonyos technológiai lépések kihagyása a termék elıállítása során. Ilyen esetekben a „hiányos” sorozat felbontható kisebb összefüggı szakaszok sorozatára. P[p].S a termék gyártásakor elıírt gépbeállítás-típus azonosítója. A különbözı termékek elıállításához a gépeket megfelelı módon elı kell készíteni a munkák végrehajtása érdekében. Ez az azonosító az egyes beállítási operációkat és az elıírt paraméterértékeket azonosítja. P[p].Q legkisebb gyártható darabszám (logisztikai egység mérete). A gyártórendszerben logisztikai egységek mozoghatnak. Ezek mérete elıre megadott, amely termékfüggı darabszámot jelent.
PHD ÉRTEKEZÉS
3.4.2.
31
Rendelések és munkák
A gyártásra kiadott rendelésállomány belsı rendeléseket o (o = 1,…, NO) tartalmaz. A rendelések alapattribútumai a következık: O[o].P a gyártandó terméktípus azonosítója. O[o].NP a megrendelt darabszám. O[o].CET az elıírt legkésıbbi befejezési idıpont (határidı). Minden egyes o rendelés munkákra bontható. Egy munka egy logisztikai egységnek felel meg. A rendelésekhez további származtatott attribútumok rendelhetık: O[o].CST legkorábbi kezdési idıpont. A gyártandó terméktípus komponenseinek (P[O[o].P].BOM) együttes rendelkezésre állása alapján meghatározható az a legkorábbi idıpont, amikor a rendeléshez tartozó munkák elsı technológiai lépésének végrehajtása elkezdhetı. O[o].NJ a rendeléshez tartozó munkák darabszáma, melyet a rendelésben szereplı igényelt darabszám és az adott termék legkisebb gyártható darabszámának hányadosa (szükség esetén felfelé kerekítve) ad meg: O[o].NP O[o].NJ = . P[ O[o].P ].Q
(3.3)
O[o].FJ a rendeléshez tartozó legkisebb sorszámú munka azonosítója. Az összes rendelés együttes munkáinak azonosítói decimális egészekbıl álló sorozatot alkotnak. Az elsı rendelés elsı munkájának azonosítója 1, utolsó munkájának azonosítója O[1].NJ. Egy tetszıleges o rendelés legkisebb sorszámú munkája: O[o].FJ, utolsó munkája: O[o].FJ + O[o].NJ – 1. O[o].RST a rendelés teljesítésének kezdési idıpontja, amely a rendeléshez tartozó munkák indítási idıpontjai közül a legkorábbival egyezik meg. O[o].RET a rendelésteljesítés befejezési idıpontja, amely a rendeléshez tartozó munkák befejezési idıpontjai közül a legkésıbbivel egyezik meg. Minden logisztikai egységet önálló munkának tekintek. Összességében ezek az i (i = 1,…, NJ) munkák kerülnek ütemezésre. A munkák alap attribútumai a következık: J[i].OID a megrendelés azonosítója. J[i].RST a munka kezdési idıpontja, amely a munka elsı gyártási feladatának indítási idıpontját jelenti. J[i].RET a munka befejezési idıpontja, amely a munka utolsó gyártási feladatának befejezési idıpontját jelenti. A munkákhoz kapcsolódó egyéb adatok hivatkozással elérhetık. Például: O[ J[i].OID ].CET az i munkához tartozó határidı, P[ O[ J[i].OID ].P ].Q az i munkához tartozó munkadarabok darabszáma.
PHD ÉRTEKEZÉS
3.4.3.
32
Gépek és gépcsoportok
A mőhelyben lévı gépek, gépsorok és kézi munkahelyek egy általános géptípus példányainak tekinthetık. A valódi gépsorok mőveletvégzı képességüktıl függıen egyben, vagy pedig több kisebb önálló részre bontva felelnek meg a modellben a gép objektumoknak. Minden gép m (m=1,…, NM) a következı tulajdonságokkal jellemezhetı: M[m].PR[p] (p= 1,…, NP) termékfüggı gyártási sebességek: idıegység alatt megmunkálható p típusú termékek száma az m gépen. M[m].ST[p1][p2] (p1 = 1,…, NP; p2 = 1,…, NP) terméksorrendtıl függı átállási idık: az m gép átállításának ideje p1 terméktípus gyártásáról p2 terméktípus gyártására. M[m].NCAL az m géphez tartozó rendelkezésre állási idıintervallumok aktuális száma. Adott idıhorizonton az m gép munkarendjét leíró kalendárium bejegyzéseinek száma. M[m].CAL[ci] (ci = 1,…,M[m].NCAL) az m géphez tartozó rendelkezésre állási idıintervallumok sorozata, ahol: M[m].CAL[ci].ST a ci-edik intervallum kezdetét jelentı idıpont, M[m].CAL[ci].ET a ci-edik intervallum végét jelentı idıpont. A gépek csak a megadott idıintervallumaikon belül dolgozhatnak. M[m].ES az m gép mőveletvégzı képességét kifejezı végrehajtásilépés-típus. Az összes technológiai lépést tartalmazó sorozat olyan összefüggı részsorozatát, amely gépváltás nélkül végrehajtható – mint önálló egységet – végrehajtási lépésnek (es = 1,…, NES) nevezem. Belátható, hogy a különbözı végrehajtásilépéstípusok darabszáma és a technológiailépés-típusok darabszáma között – az EXE gyártásifolyamat-típusokhoz hasonlóan – az alábbi összefüggés áll fenn: N ES =
N TS (1 + N TS ) . 2
Végrehajtási lépés ES1 ES2 ES3 ES4 ES5 ES6 ES7 ES8 ES9 ES10
TS1 1.1
(3.4)
Technológiai lépés TS2 TS3
TS4
1.2 1.3 1.4 2.1 2.2 2.3 3.1 3.2 4.1
5. ábra: Végrehajtási lépések típusai négy technológiai lépés esetén (NTS = 4) A modellben szereplı gépek között vannak olyanok, amelyek csak egy, és vannak olyanok is, amelyek több egymást követı technológiai lépést képesek megszakítás
PHD ÉRTEKEZÉS
33
nélkül elvégezni (5. ábra N TS = 4 ). A végrehajtásilépés-típusok egyértelmően azonosíthatók a kezdı és a befejezı technológiai lépések együttesével, vagy pedig a kezdı technológiai lépés és a lépések számának együttesével. Elıállításuk az EXE típusoknál megismert algoritmussal elvégezhetı (13.1 számú melléklet). TS1S1
TS2
TS3
TS4
MG1
MG2
MG3
MG4
…
…
…
…
MG5
… …
MG6
MG7
…
…
MG8
…
MG9
…
MG10
TECHNOLÓGIAI LÉPÉS GÉPCSOPORT
TS MG
TERMÉK 1 … TERMÉK P
6. ábra: EFFS modell gépcsoportjai négy technológiai lépés esetén (NTS = 4) A végrehajtási lépések alapján a gépekbıl gépcsoportokat szervezek: mg (mg = 1,…, NMG), ahol NMG = NES. Egy adott gépcsoporton belül azonos végrehajtásilépéstípussal, de más szempontból különbözı képességekkel jellemezhetı, párhuzamosan mőködı gépek lehetnek (6. ábra). A különbözı gépcsoportba tartozó gépek száma eltérı lehet. Ezeket az összerendeléseket egy kapcsolótömbbel MG_M írom le (3. ábra: NÉV1 = MG, NÉV2 = M).
PHD ÉRTEKEZÉS
3.4.4.
34
Végrehajtási útvonalak
A logisztikai egységek (munkák) végrehajtási útvonalakon mozognak. Az útvonalakat a végrehajtási lépések alapján definiálom. Egy útvonal a végrehajtási lépéseket realizáló gépcsoportok olyan sorozatát fogja egységbe, amelyben az igényelt technológiai lépések csak egyszeresen vannak lefedve, azaz a végrehajtási lépések közös része üres halmaz. A végrehajtási útvonalak azonosítására szolgáló sorszámok többféle szisztéma szerint is kioszthatók. Az azonosítóknak hivatkozási szerepük van, ezért azok kiosztása tetszıleges ugyan, de választás után rögzített. Egy lehetséges – a gyártási folyamat azonosítók által megkövetelt technológiai lépések számának csökkenı, azon belül a kezdı technológiai lépések növekvı sorrendje alapján megválasztott – elrendezés látható a 7. ábrán N TS = 4 esetére. Technológiai lépés Végrehajtási útvonalak R1 R2 R3 EXE10 R4 R5 R6 R7 R8 R9 R10 EXE8 R11 R12 R13 EXE9 R14 R15 R16 R17 EXE5 R18 R19 EXE6 R20 R21 EXE7 R22 EXE1 R23 EXE2 R24 EXE3 R25 EXE4 R26
TS1
TS2
TS3
TS4
MG1 MG2 MG3 MG4 MG1 MG2 MG7 MG1 MG6 MG4 MG1 MG9 MG5 MG3 MG4 MG5 MG7 MG8 MG4 MG10 MG1 MG2 MG3 MG1 MG6 MG5 MG3 MG8 MG2 MG3 MG4 MG2 MG7 MG6 MG4 MG9 MG1 MG2 MG5 MG2 MG3 MG6 MG3 MG4 MG7 MG1 MG2 MG3 MG4
7. ábra: Végrehajtási útvonalak négy technológiai lépés esetén (NTS = 4)
PHD ÉRTEKEZÉS
35
Tetszıleges NTS számú technológiai lépés esetében a lehetséges végrehajtásiútvonal-típusok elıállíthatók a 13.2 számú mellékletben leírt algoritmusok alkalmazásával. (Az MG gépcsoportok azonosítói – a definíciójukból következıen – az ES végrehajtási lépések azonosítóival teljesen egyenértékőek). A lehetséges végrehajtási útvonalak számát a következı összefüggés írja le: N TS
N R = ∑ ( 2( i −1) ⋅ ( N TS − (i − 1))) .
(3.5)
i =1
Bizonyítás: A 2( i −1) érték megadja egy i darab egymást követı technológiai lépésbıl álló gyártási folyamathoz tartozó lehetséges útvonalak darabszámát, N TS − (i − 1) pedig az ilyen i hosszú különbözı gyártási folyamat típusok darabszámát. Minden r (r = 1,…,NR) végrehajtási útvonalat a hozzá tartozó gépcsoportokkal együtt egy R_MG kapcsolótömbben definiálok (3. ábra: NÉV1 = R, NÉV2 = MG).
3.4.5.
További speciális korlátozások
A gépek nem minden terméktípust képesek kezelni (az m gép p terméktípusra vonatkozó gyártási sebessége nulla is lehet: M[m].PR[p] = 0), így a gépcsoportok terméktípusonként eltérı összetételőek lehetnek. Ezek a terméktípustól függı csoportosítások hozzárendelhetık a termékekhez a következı módon: P[p].MG_M [mg][am], ahol: p =1,…, NP; a termékek, mg =1,…, NMG; a gépcsoportok, am = 1,…, P[p].MG_M[mg][0]; az alkalmazható gépek indexei. P[p].MG_M[mg][am] a p termék szempontjából az mg gépcsoporthoz tartozó am-edik gép. Ebbıl az összerendelésbıl egyértelmően kiolvasható, hogy a különbözı p terméktípusok gyártásához mely gépek használhatók. Ebbıl kiindulva és figyelembe véve a gépek képességeit és a termékek gyártási folyamatának végrehajtástípusait, a különbözı p típusú termékekhez az azok gyártása során megengedett r végrehajtási útvonalak hozzárendelhetık és P[p].R[ar] formában leírhatók. Indokolt azonban további hozzárendeléseket is megfogalmazni, amelyek lehetıvé teszik a megrendelések szintjén az alkalmazható gépek halmazának speciális definiálását (adott számú technológiai lépés megvalósítására adott gépsor használata múltbeli okok miatt már kötelezı), vagy a lehetıségek korlátozását (pl.: bizonyos gépek kizárása). Erre egyrészt az újraütemezési feladatok sajátos követelményei miatt van szükség. Másrészt lehetıséget ad arra, hogy akár egyedi esetekben emberi beavatkozással, akár valamilyen menedzselési stratégia szerint, azonos terméktípusra vonatkozó megrendelések teljesítéséhez részben eltérı gépállomány alkalmazása elıírható legyen (pl.: különbözı partneri viszony, minıségi elvárások, kockázatkezelés és egyéb okok miatt). Ennek érdekében a terméktípusokhoz hasonlóan a
PHD ÉRTEKEZÉS
36
megrendelésekhez is hozzárendelem O[o].MG_M[mg][am] formában egy kapcsolótömbbel az alkalmazható gépeket gépcsoportok szerint rendezve: o =1,…, NO; a megrendelések, mg =1,…, NMG; a gépcsoportok, am = 1,…, O[o].MG_M[mg][0]; a használható párhuzamos gépek indexei. O[o].MG_M[mg][am] az o megrendelés teljesítéséhez az mg gépcsoportból használható am-edik gép. A szőkített gépállomány alapján, valamint egyéb okokból felmerülı teljes útvonalra vonatkozó megszorítások figyelembevételével a megvalósítható végrehajtási útvonalak meghatározhatók, és O[o].R[ar] formában hozzárendelhetık a megrendelésekhez. Az ütemezési feladat megoldása során elkészítendı új ütemterv szempontjából a gépeknek már meglévı terhelését (amelyeket az utolsó érvényben lévı ütemterv határoz meg) egy M[m].ENGAGED (m = 1,…, NM) attribútumban tárolom. Ebbıl kiolvasható az egyes gépek felszabadulásának idıpontja. Ez a megoldás a rendszeres prediktív ütemezés során alkalmas az ütemtervek egymáshoz csatolására. A korábban beütemezett, még be nem fejezett munkák zárolásával kapcsolatos kérdéskört az értekezés késıbbi, újraütemezéssel foglalkozó fejezetében részletesen vizsgálom.
3.4.6.
Ütemtervek és termelési finomprogramok
Az ütemezési feladatban szereplı munkák és gépek egymáshoz rendelését, valamint az így kialakuló gyártási feladatok végrehajtási sorrendjét együttesen definiáló objektumot ütemtervnek nevezem, jelölésére az SCH szimbólumot használom. Az elıírt gyártási feladatok tervezett idıadataival kibıvített ütemtervet termelési finomprogramnak nevezem és DSCH szimbólummal jelölöm. (A DSCH magában foglalja az SCH-t.) A termelési finomprogramot – annak érdekében, hogy minden részlete indexelhetı legyen – három részbıl építem fel. Ezek a következık:
Gyártási feladatok (J_T) Egy adott munka adott végrehajtási lépésének adott gépen történı megvalósítását nevezem gyártási feladatnak. A munkákhoz hozzárendelt végrehajtási útvonalakat a kiválasztott konkrét gépekkel együtt a J_T[i][am] kapcsolótömb rögzíti a következı módon: i jelenti a munkát (i = 1,…, NJ), J_T[i][0] jelenti az i munkához hozzárendelt útvonalat, R_MG[J_T[i][0]][0] jelenti az útvonal bejárása során érintett gépek számát, J_T[i][am] (am=1,…, R_MG[J_T[i][0]][0]) jelenti az i munka am-edik végrehajtási lépéséhez rendelt gépet. A J_T kapcsolótömb szerkezetének vázlata a 8. ábrán látható. 1.
PHD ÉRTEKEZÉS
37
Végrehajtási útvonal Munka
J_T
Az útvonal utolsó gépe
1
2
1
3
2
6
9
13
i
8
19
…
…
NJ
1
1
3
13
5
8
Hivatkozási példa az i munkához rendelt befejezı gépre: J_T[i][R_MG[J_T[i][0]][0] Munka: i = 1 Útvonal: J_T[1][0] = 2 Gépek száma: R_MG[2][0] = 3 Az útvonal utolsó gépe: J_T[1][3] = 13
8. ábra: A J_T kapcsolótömb szerkezete 2.
Gyártási feladatok sorrendje (M_T). A gyártási feladatok gépenkénti sorrendjét az M_T[m][ai] kapcsolótömb mutatja: m (m= 1,…,NM) jelenti a gépet, M_T[m][0] jelenti a munkák számát az m gépen, M_T[m][ai] (ai = 1,…, M_T[m][0]) jelenti az m gép munkasorozatának ai-edik munkáját (3. ábra: NÉV1 = M, NÉV2 = J). Gyártási feladatok idıadatai (M_STET). Az M_T kapcsolótömb gyártási feladatainak idıadatait az M_STET tömb tárolja a következı módon: M_STET[m][ai].ST jelenti a kezdési idıpontot, M_STET[m][ai].SetT jelenti az gépátállás idıtartamát, M_STET[m][ai].ProcT jelenti a mőveletvégzés idıtartamát, M_STET[m][ai].ET jelenti a befejezési idıpontot. 3.
A definiált gyártási feladatoknak két olyan adatát külön is indexelem, amelyek közvetett módon megkaphatók ugyan az 1. és 2. részek együttesébıl, azonban közvetlen hivatkozással a termelési finomprogram kiértékelése nagymértékben felgyorsítható. Ezért egyrészt a termelési finomprogram 1. részének kibıvítéseként eltárolom minden gyártási feladatnak a hozzá tartozó gép végrehajtási sorában elfoglalt J_Tp[i][am] pozícióját. Másrészt a 2. részben hasonló módon letárolom minden gyártási feladat esetében a hozzá tartozó munka végrehajtási lépésének M_Tp[m][ai] sorszámát.
PHD ÉRTEKEZÉS
3.4.7.
38
Minısítést kifejezı mutatószámok (performance index)
Egy megtervezett termelési finomprogram minısítése elıre definiált, adott NK számú különbözı célfüggvény kiértékelésével kapott függvényértékekkel – mint összehasonlításra alkalmas mutatószámokkal – megvalósítható és egyértelmően leírható a következı módon: k a célfüggvény sorszáma (k = 1,…, NK), OBJ_VAL.F[k] a k-adik célfüggvénynek a vizsgált termelési finomprogramra vonatkozó függvényértéke. F_Pri[k] a k-adik célfüggvény fontosságát kifejezı nemnegatív prioritásérték.
3.4.8.
Gyártórendszer
A gyártórendszer adott idıhorizontra vonatkozó tervezett vagy ténylegesen bekövetkezett állapotváltozási sorozatának (gyártási folyamatának) leírására az elızıekben részletesen bemutatott objektumokból felépített SHOP objektumot használom, a következı módon: SHOP.O a rendelésállomány, SHOP.J a munkaállomány, SHOP.M az erıforrás-környezet, SHOP.DSCH a végrehajtásra kiadott termelési finomprogram vagy a megvalósított termelési finomprogram, SHOP.OBJ_VAL a gyártási folyamat tervezett teljesítménymutatói vagy a gyártási folyamat tényleges teljesítménymutatói. A bemutatott adatmodell fontos tulajdonsága, hogy input adatai egyszerően feltölthetık a termelésinformatikai rendszerekben jellemzıen tárolt alapadatok felhasználásával, továbbá a modell építıelemeinek attribútumai rugalmasan bıvíthetık a kapcsolatrendszer változtatása nélkül.
PHD ÉRTEKEZÉS
39
4. TÖBBCÉLÚ INTEGRÁLT HEURISZTIKUS MEGOLDÁSI MÓDSZER
4.1.
Megoldási koncepció
A termelési folyamat finomprogramozási feladatának megoldása során az ismert és pontosan meghatározott (technológiai, anyag- stb.) korlátozások figyelembe vételével, a gyártásra kiadott, ismert belsı rendeléseken alapuló munkák elvégzéséhez gyártási erıforrások (gépek, eszközök stb.) allokálását és munkák indítási idıpontjának sorozatát kell megtervezni úgy, hogy a definiált korlátozások teljesüljenek, és a vállalat magasabb szintjén megfogalmazott célok megvalósuljanak. Az EFFS feladatosztályba besorolható ütemezési feladatok megoldására egy többcélú integrált heurisztikus megoldási módszert fejlesztettem ki. A módszerre felépített ütemezı szoftver mőködése során a feladat megoldását jelentı termelési finomprogram a 9. ábrán vázolt módon készül el.
Rendelés
Termelési finomprogram
Célfüggvényértékek
Termék Technológia
Modellépítés
Ütemezés Munkák
Erıforrás
Ütemterv
Szimuláció
Éles termelési finomprogram
Modellobjektumok
Finomprogram
Minısítés Teljesítménymutatók
9. ábra: Az ütemezı belsı struktúrájának vázlata
PHD ÉRTEKEZÉS
40
A termelésinformatikai rendszerek adatbázisában tárolt adatok felhasználásával a modellépítı komponens definiálja a rendszerben lévı objektumokat, és inicializálja azokat input adatokkal. Kiemelt fontosságú feladata a belsı rendelések munkákra való felbontása és az érvényben lévı korlátozások definiálása. A korlátozások közül az elıírt befejezési határidıket megsérthetı (puha) korlátozásnak tekintve alkalmas mérıszámok megválasztásával ezek túllépésének minimalizálása ütemezési célként célfüggvények formájában jelenik meg. Minden más korlátozás kemény, azaz meg nem sérthetı korlátozásként szerepel. A szükséges rendelkezésre állási, alkalmazhatósági és megvalósíthatósági vizsgálatok elvégzését követıen a modellépítı komponens felépíti a teljes kapcsolatrendszert. Mindezek együttes célja az, hogy a feladatmegoldás során minden egyes döntési helyzetben a választható alternatív lehetıségek világosan és könnyen felismerhetık legyenek, ezáltal a döntés meghozatalának következményei biztosan megengedett és megvalósítható megoldást eredményezzenek. A belsı rendelések ütemezési alapegységekre bontásával önálló munkák jönnek létre. Ezek ütemezése egymástól függetlenül történik. Az ütemezı modul minden egyes munkához hozzárendel egy megfelelı végrehajtási útvonalat, továbbá hozzárendel egy megfelelı gépet a kiválasztott útvonal minden egyes végrehajtási lépésének megfelelı gépcsoportból, és meghatározza minden érintett gépen a munkák végrehajtási sorban elfoglalt pozícióját. Ezáltal a munkákat feladatokra bontja fel. A gépeken a gyártási sorozatnagyságok és az azokat elválasztó átállítási mőveletek dinamikusan, ütemezés közben alakulnak ki. Az ütemezési folyamat eredményeképpen egy megvalósítható ütemterv készül el. Az ütemtervben szereplı feladatok idıadatainak megtervezését egy megfelelıen gyors szabályalapú szimulációs eljárás végzi, amely figyelembe veszi az egyes gépek rendelkezésre állási idıintervallumait, az egyes gépeken az adott munkák sorrendje által meghatározott átállítási idıket, a munka-gép összerendelések alapján számítható megmunkálási idıket. A munka aktuális besorolása (korlátozások: idıablak, sorrend, erıforrás, útvonal) alapján ismertté válik az egyes feladatok gépenkénti tervezett – és következményként a munkák, valamint megrendelések származtatott – indítási és befejezési idıpontja. Az idıadatok felhasználásával az elıírt célfüggvények kiértékelésére és a teljesítménymutatók kiszámítására kerül sor. A dinamikusan változó fontosságú, különbözı dimenziójú és értékkészlető célfüggvények értékeinek együttes figyelembevételével az aktuálisan vizsgált megoldás és az addig legjobbnak ítélt megoldás egymáshoz viszonyított (relatív) minıségének számszerősítésével kiértékelésre kerül a megoldás. Az ütemezı iteratívan módosítja az aktuális ütemtervet, a lépéssorozat ismétlésével javul az eredmény. A változó célokhoz való rugalmas alkalmazkodás úgy valósul meg, hogy a felhasználó az ütemezési folyamat megkezdése elıtt – vagy akár a folyamat közben is – beállíthatja az elızetesen definiált célfüggvények aktuális fontosságának megfelelı prioritásértékeket.
PHD ÉRTEKEZÉS
4.2.
41
Szimulációs modell
A gyártási folyamatot egy szabályalapú számítási eljárás szimulálja, melynek során az összerendelt munka-gép párosok idıadatai kerülnek kiértékelésre. A szimuláció tervezése során feltételeztem, hogy a gépek között az átmeneti tárolók mérete gyakorlati szempontból nem korlátozott és a gépek közötti tranzakciós idık elhanyagolhatók. (A szimuláció alkalmas a különbözı átmeneti tárolási stratégiák befogadására és tranzakciós idık definiálásával a gépek közötti anyagmozgatási idık figyelembe vételére is, ezek a mőködés lényegét nem befolyásolják.) A szimuláció egy adott SCH ütemtervbıl indul ki, amelynek a két legfontosabb komponense a J_T feladatlistát definiáló kapcsolótömb és az M_T feladatsorrendet elıíró kapcsolótömb. A gyártási feladatok nem szigorúan idırendi sorrendben kerülnek kiértékelésre, mert a gépek közötti gyakori átváltás lassítaná a szimulációt. A számítási folyamat minél gyorsabb végrehajtása érdekében a párhuzamos gépeken végzett mőveletek szekvenciális mőveletekké konvertálásával a gépeken elıírt sorrendek szerint szakaszosan történik az idıadatok számítása. Ehhez azonban szükséges a számítási lépések sorrendjének olyan megadási módja, amely figyelembe veszi a következıket: • Egy adott i munkának egy adott m közbensı géphez tartozó idıadatainak számításához szükséges – többek között – az i munka elızı géphez tartozó befejezési idıpontjának ismerete és az m gép elızı munkájának befejezési idıpontja is. • A gyártási környezet tartalmaz útvonalcsatlakozásokat és -szétválásokat (csomópontok), ezért egy adott m gépre több azonos típusú és különbözı típusú géprıl is érkezhetnek munkák. • Az azonos gépcsoportba tartozó gépek párhuzamosan mőködnek, így közöttük nem áll fenn elızési reláció. A felsorolt jellemzıknek megfelelıen célszerő a gépek helyett a gépcsoportok szintjén megfogalmazni a számítási mőveletek sorrendjére vonatkozó korlátozásokat. A korlátozások leírhatók egy egyszerő (körútmentes) irányított gráffal, amelyben a csúcspontok jelentik a gépcsoportokat és az irányított élek mutatják a kötelezı kiértékelési sorrendeket. Minden egyes gépcsoporthoz hozzárendelhetı a saját „befoka” (10. ábra). A befok DIN(mg) az adott mg gépcsoportba más gépcsoportból beérkezı élek megengedett legnagyobb számát jelenti. Abban az esetben ha minden gépcsoportba tartozik legalább egy gép (teljes modell) a befok megegyezik a gépcsoport kezdı technológiai lépésének eggyel csökkentett értékével. A gépcsoportok keresett szekvenciája megkapható a befokok növekvı sorrendje alapján. A 10. ábrán vázolt esetben ez a sorrend a következı: DIN(4) > DIN(3) ≥ DIN(7) > DIN(2) ≥ DIN(6) ≥ DIN(9) > DIN(1) ≥ DIN(5) ≥ DIN(8) ≥ DIN(10) .
(4.1)
PHD ÉRTEKEZÉS
42
0 0
MG1
1
MG2
2
MG3
MG6 2
MG7
MG8 1
0
MG4
MG5 1
0
3
MG9 MG10
10. ábra: Gépcsoportok kapcsolódásai négy technológiai lépés esetén (NTS = 4) Az azonos befokú gépcsoportok között a további, nem kritikus sorrendet meghatározhatják például a gépcsoportokra jellemzı végrehajtási lépések úgy, hogy a több technológiai lépést integráló gépcsoport lesz a magasabb prioritású. A gépcsoportokhoz rendelt prioritásokat egy PRI_MG kapcsolótömb rögzíti. A 10. ábrán vázolt esetben az összetartozó értékek a következık: Prioritás: {1, 2, 3, 4, 5, 6, 7, 8, 9, 10} Gépcsoport: {4, 3, 7, 2, 6, 9, 1, 5, 8, 10} A gépcsoportokhoz rendelt prioritások csak és kizárólag az idıadatok kiszámításának sorrendjét határozzák meg. Ezek biztosítják az egymásra épülı számítási részeredmények megfelelı sorrendő kiértékelését. A szimuláció (kiértékelési szabályokra alapozott algoritmus) fontosabb lépései a 11. ábrán láthatók. A számítási folyamatban a prioritások nem növekvı sorrendjében kerülnek sorra a gépcsoportok. Az adott gépcsoporthoz tartozó összes gépen (párhuzamos gépek) az M_T tömb által meghatározott sorrendben kiszámításra kerülnek a feladatokhoz tartozó kezdési, elıkészítési, mőveleti és befejezési idıadatok (ST, SetT, ProcT, ET). Az eredmények bekerülnek az M_STET tömbbe. A szimuláció során meghatározó szerepet játszanak a mőveletkezdési idıpontok. Az ütemtervben szereplı m gép végrehajtási sorának ai-edik pozíciójában szereplı i munka kezdési idıpontját a következı értékek együttesen határozzák meg: • az i munka legkorábbi kezdési idıpontja (O[J[i].OID].CST), • az i munkának az elızı gépen elıállt befejezési idıpontja (M_STET[prev_m][i_on_prev_m].ET), • az elızı munkának az m gépen elıállt befejezési idıpontja (M_STET[m][ai-1].ET), • az i munkához tartozó átállási idı az m gépen (M[m].ST[O[J[M_T[m][ai-1]].OID].P][O[J[i].OID].P]), • az m gép felszabadulásának idıpontja az elızı ütemterv terhelése alól (M_ENGAGED[m]), és • az m gép munkarendje, azaz a rendelkezésre állási idıintervallumok (M[m].CAL[ci] (ci = 1,…, M[m].NCAL).
PHD ÉRTEKEZÉS
43 Start
Stop
pri = N_ES; false
pri > 0 true
mg = Pri_MG[1][pri]; j = 1;
pri = pri - 1; false
j < = MG_M[mg][0] true
m = MG_M[mg][j]; ai = 1;
j = j + 1; false
ai = ai + 1;
ai < = M_T[m][0] true
i = M_T[m][ai]; true
false
J_T[i][1] = = m true
false
ai = = 1
prev_m = J_T[i][M_Tp[m][ai]-1]; i_on_prev_m = J_Tp[i][M_Tp[m][ai]-1]; false
true
ai = = 1 Blokk1
Blokk2
Blokk3
Blokk4
11. ábra: A szimuláció folyamatábrája A különbözı gyártástechnológiákhoz való alkalmazkodás érdekében a szimuláció alapvetıen kétféle mőködési módot támogat: 1. Független átállások engedélyezettek: egy adott munka adott gépre érkezése elıtt elkezdhetı a gép beállítása/átállítása az adott munka végrehajtásához (pl. 12. ábra e2, e3). 2. Független átállások nem engedélyezettek: a gépek átállítása csak akkor kezdhetı el, amikor az adott munka már a gépre megérkezett. Mindkét mőködési mód esetében az m gép végrehajtási sorában az i munka ai sorszámának és az m gépnek az i munka végrehajtási útvonalához tartozó sorszámának (szerepének) figyelembe vételével négy esetet különböztetek meg (11. ábra Blokk1, Blokk2, Blokk3, Blokk4). A független átállások engedélyezése (1. mőködési mód) esetén ezek a következık:
PHD ÉRTEKEZÉS
44
Blokk1: az i munka útvonalának elsı gépe az m, az m gép elsı munkája az i. o = J[i].OID; pact = O[o].P; M_STET[m][ai].SetT = max_all_p( M[m].ST[p][pact] ); M_STET[m][ai].ST = max( O[o].CST, M_ENGAGED[m] ); M_STET[m][ai].ProcT= P[pact].Q / M[m].PR[pact]; M_STET[m][ai].ET = M_STET[m][ai].ST + M_STET[m][ai].SetT + M_STET[m][ai].ProcT; Load_STET_to_CAL( M_STET[m][ai].ST, M_STET[m][ai].ET, 0, m, M);
Blokk2: az i munka útvonalának elsı gépe m, az m gépnek egy közbensı munkája az i. o = J[i].OID; pact = O[o].P; pprev = O[J[M_T[m][ai-1]].OID].P M_STET[m][ai].SetT = M[m].ST[pprev] [pact]; M_STET[m][ai].ST = max( M_STET[m][ai-1].ET, O[o].CST ); M_STET[m][ai].ProcT = P[pact].Q / M[m].PR[pact]); M_STET[m][ai].ET = M_STET[m][ai].ST + M_STET[m][ai].SetT + M_STET[m][ai].ProcT; Load_STET_to_CAL( M_STET[m][ai].ST, M_STET[m][ai].ET, M_ STET [m][ai-1].ET, m, M);
Blokk3: az i munka útvonalának egy közbensı gépe az m, az m gépen az elsı munka az i. o = J[i].OID; pact = O[o].P; M_STET[m][ai].SetT = max_all_p( M[m].ST[p][pact] ); M_STET[m][ai].ST = max( M_STET[prev_m][i_on_prev_m].ET – M_STET[m][ai].SetT, M_ENGAGED[m] ); M_STET[m][ai].ProcT = P[pact].Q / M[m].PR[pact]; M_STET[m][ai].ET = M_STET[m][ai].ST + M_STET[m][ai].SetT + M_STET[m][ai].ProcT; Load_STET_to_CAL( M_STET[m][ai].ST, M_STET[m][ai].ET, 0, m, M);
Blokk4: az i munka útvonalának egy közbensı gépe az m, az m gépnek egy közbensı munkája az i. o = J[i].OID; pact = O[o].P; pprev = O[J[M_T[m][ai-1]].OID].P M_STET[m][ai].SetT = M[m].ST[pprev] [pact]; if ( M_STET[prev_m][i_on_prev_m].ET <= M_STET[m][ai -1].ET) M_STET[m][ai].ST = M_STET[m][ai -1].ET; else M_STET[m][ai].ST = max( M_STET[prev_m][i_on_prev_m].ET –M_STET[m][ai].SetT, M_STET[m][ai -1].ET); M_STET[m][ai].ProcT = P[pact].Q / M[m].PR[pact]); M_STET[m][ai].ET = M_STET[m][ai].ST + M_STET[m][ai].SetT + M_STET[m][ai].ProcT; Load_STET_to_CAL( M_STET[m][ai].ST, M_STET[m][ai].ET, M_ STET [m][ai-1].ET, m, M);
A Load_STET_to_CAL függvény végzi az i munka kezdési és befejezési idıpontjainak az m gép rendelkezésre állási idıintervallumaihoz való illesztését, figyelembe véve a gép utolsó terhelésének befejezési idıpontját. Ennek során, az i munka által képviselt fix mérető terhelést (idıablakot) az m gép elsı (vagyis
PHD ÉRTEKEZÉS
45
legkorábban kezdıdı) megfelelı mérető szabad idıintervallumára balra illesztve helyezi el. Az algoritmusa váza a következı: int _S::Load_STET_to_CAL (long *st_inout, long* et_inout, long last, int m, MACHINE* M) { //--------------long st = *st_inout; long et = *et_inout; //--------------long size = et - st; long new_st = max(st, last); long new_et = new_st + size; int found = 0; int ci = 1; int cn = M[m].N_Cal; while (ci <= cn) { if ( new_st < M[m].CAL[ci].ET ) { new_st = max (new_st, M[m].CAL[ci].ST); new_et = new_st + size; if ( new_et<= M[m].CAL[ci].ET) { found = 1; break; } else { ci++; if ( ci > cn ) { found = 0; break; } new_st = M[m].CAL[ci].ST; new_et = new_st + size; continue; } } ci++; } //--------------*st_inout = new_st; *et_inout = new_et; //--------------return found; }
A Blokk4 mőködését bemutató példák a 12. ábrán láthatók. A vázolt Gantt diagramon az e1, e2, e3, e4, e5 szimbólumokkal jelölt események a munkák átvitelét jelentik a végrehajtási útvonal elızı gépérıl az aktuális gépre.
PHD ÉRTEKEZÉS
46
gép
Gantt-diagram
Mx … My … Mu … Mv
setup
e1
e4 setup
setup
e3
e2
//
e5 idı
12. ábra: Illusztratív példa a Blokk 4 mőködésére A kiemelt példákon jól megfigyelhetı, hogy az • e1 esetben az adott gép elızı munkájának befejezési ideje a meghatározó, ezután következhet a gép átállítása és a munka elindítása. • e2 esetben az elızı munka befejezési idıpontja kisebb, mint az aktuális munka befejezési idıpontja az elızı gépen, így ennek a különbségnek az értékével korábban kezdıdhet a gép átállítása a munka tényleges megérkezése elıtt. • e3 esetben az elızı munka befejezési idıpontja jóval kisebb, mint az aktuális munka befejezési idıpontja az elızı gépen, ezért a gép átállítása a teljes átállítási idıvel korábbra tehetı, így befejezıdik a munka megérkezésének idıpontjáig. • e4 esetben az elızı munka befejezési idıpontja a meghatározó, továbbá azonos terméktípusú munkák követik egymást, ezért nincs szükség átállításra, • e5 esetben sem szükséges átállítás és a munka elızı géprıl érkezése dominál. A gyártási feladatok idıadatainak ismeretében a munkák és a megrendelések idıadatai származtathatók a következı módon: Az i munka indítási idıpontja: J[i].RST = M_STET[ J_T[i][ 1 ] ][ J_Tp[i][ 1 ] ].ST; a munkához tartozó elsı feladat indítási idıpontja. Az i munka befejezési idıpontja: J[i].RET = M_STET[ J_T[i][fmg] ][ J_Tp[i][fmg] ].ET; mivel az fmg a befejezı feladat gépcsoportja: fmg = R_MG[J_T[i][0]][0], ezen belül a konkrét hozzárendelt gép azonosítója: J_T[i][fmg] (8. ábra), melyen az i munka pozíciója: J_Tp[i][fmg]. Az o rendelés indítási idıpontja: O[o].RST = min (J[i].RST); ahol (ai = O[o].FJ, …, O[o].FJ+O[o].NJ–1;) ai
a rendeléshez tartozó legkorábban indított munka indítási idıpontja. Az o rendelés teljesítésének idıpontja: O[o].RET = max (J[i].RET); ahol (ai = O[o].FJ, …, O[o].FJ+O[o].NJ–1;) ai
a rendeléshez tartozó, utolsónak elkészült munka befejezési idıpontja.
PHD ÉRTEKEZÉS
47
A szimuláció lefutásának eredményei az egyes gyártási feladatok tervezett idıadatai, amelyek az M_STET tömbben találhatók, valamint a munkák és megrendelések ezekbıl származtatott indítási és befejezési idıpontjai, amelyek rendre a J[i].RST, J[i].RET, O[o].RST, O[o].RET megfelelı objektumok attribútumaiból kiolvashatók. A végrehajtás-szimuláció tehát a problématér transzformációját valósítja meg azáltal, hogy egy kiindulási „egyszerősített” SCH ütemtervhez – amely a munkák és gépek megengedett összerendeléseit és a munkák végrehajtásának gépenkénti sorrendjét tartalmazza – a vázolt szabályok szerint egyértelmően hozzárendel egy megvalósítható, részletes DSCH termelési finomprogramot. A szimulációs modul a gyártási feladatok, munkák és megrendelések idıadatait számítja ki, a döntéseket az ütemezı modul hozza meg.
4.3. 4.3.1.
Megoldások értékelésének matematikai modellje Optimalizálási célfüggvények
A megtervezett termelési finomprogramok minısítéséhez a különbözı szempontokat reprezentáló célfüggvények kiértékelésével kapott eredmények adják a kiindulási alapot. Az ilyen összehasonlításra alkalmas mutatószámok típusa, dimenziója és értéke egyaránt tág határok között mozoghat. A minısítendı termelési finomprogramban szereplı i (i=1,…,NJ) munkákhoz eleve adott – puha korlátozásként – az elıírt befejezési határidı: Di = O[J[i].OID].CET . (4.2) A szimuláció következtében ismerté válik a kezdési idıpont: Ri = J[i].RST ,
(4.3)
Ci = J[i].RET .
(4.4)
és a befejezési idıpont:
Ezeket felhasználva felírható az i munkára vonatkozó Li = Ci − Di , határidıtıl való eltérés:
(4.5)
csúszás:
Ti = max(0, Li ) ,
(4.6)
korai befejezés:
Ei = max(0,− Li ) ,
(4.7)
átfutási idı:
Fli = Ci − Ri .
(4.8)
Az Ri, Ci, Li, Ti, Ei, Fli, függvények bármelyikét általánosan Gi függvénynek tekintve a leggyakrabban alkalmazott célfüggvények kifejezhetık a következı módon: legnagyobb érték: f = max (Gi ) , (4.9) i
összeg:
f = ∑ Gi ,
(4.10)
i
∑G
i
átlag:
f =
i
NJ
.
(4.11)
PHD ÉRTEKEZÉS
48
A munkák fontosságának kifejezésére nemnegatív vi súlyokat lehet a munkákhoz hozzárendelni. A célfüggvényekben ezek figyelembe vehetık például a következı módon: súlyozott maximum: f = max ( vi ⋅ Gi ) , (4.12) i
súlyozott összeg:
f = ∑ vi ⋅ Gi ,
(4.13)
i
∑v
i
⋅ Gi
súlyozott átlag:
f =
a súlyozott termelési pontosság:
f = ∑ (ui ⋅ Ei + vi ⋅ Ti ) ,
i
. (4.14) NJ Számos további egyszerő vagy összetett célfüggvény is megfogalmazható. Határidıhöz kapcsolódó fontos speciális szerepet betöltı célfüggvény a késı munkák száma: f =| {i | Ti > 0} | , (4.15) (4.16)
i
ahol az ui és a vi nemnegatív valós számok. Ezek a célfüggvények a rendelésre történı gyártásnál a „service level” minısítés legfontosabb összetevıi. A leggyakrabban használt nem határidıhöz kapcsolódó célfüggvény a a teljes munkacsoport együttes átfutási ideje (makespan): f = max (Ci ) − min( Ri ) . i
i
(4.17)
Szintén határidıtıl független fontos célfüggvény a gépátállítások száma: f =| {(m, ai ) | m = 1,..., N M ; ai = 1,..., M _ T [m ][0]; M _ STET [m][ai ].Set > 0} | . (4.18) A munkákhoz hasonlóan a megrendelésekre is értelmezhetık a vázolt célfüggvények. Ekkor az i (i=1,…,NJ) munkák szerepét az o (o=1,…,NO) rendelések veszik át, valamint minden o rendelésre adott az elıírt befejezési határidı: Do = O[o].CET , (4.19) a kezdési idıpont:
Ro = O[o].RST ,
(4.20)
és a befejezési idıpont:
Co = O[o].RET .
(4.21)
A vázolt célfüggvények az irodalomból ismert termelési háromszög állapotváltozói közül a szállítókészségre helyezik a hangsúlyt. További célfüggvények is megfogalmazhatók a lekötött készletszinthez és az erıforrás-kihasználáshoz kapcsolódóan. Ezeknek a paramétereknek a felhasználásával, az adott követelményeket (üzleti célokat) még pontosabban és részletesebben kifejezı mutatók is megfogalmazhatók. A bemutatott példákból jól látható, hogy az ütemezési feladatban alkalmazható optimalizálási célfüggvények igen sokfélék lehetnek. A részletes rövid távú ütemterv a gyártásirányítás – mint „szabályozás” – „alapjele”. A gyártásirányítás valós idejő célja ennek magvalósítása, követése. Egy sokoldalúan és hatékonyan használható ütemezıvel szemben tehát fontos követelmény, hogy a termelési politika változó céljának megfelelıen a célfüggvények rugalmasan változtathatók legyenek. Ellenkezı esetben az „optimális” jelzı értemét vesztheti.
PHD ÉRTEKEZÉS
4.3.2.
49
Többcélú optimalizálási feladat megengedett megoldásainak összehasonlítása és értékelése
Olyan ütemezési feladatokban (és más optimalizálási feladatokban is), amelyekben az optimalizálás célja egyetlen célfüggvénnyel megadható, két különbözı megoldás minıségének összehasonlítása egyszerően elvégezhetı. Ilyen esetekben elegendı a különbözı megoldásokra vonatkozó célfüggvényértékeket kiszámítani és azok alapján egyértelmően számszerősíthetı a minıségbeli különbség. Sokkal nehezebb a különbözı megoldások minıségének összehasonlítása a többcélú optimalizálási feladatokban. Több optimalizálási cél esetén ugyanis különbözı dimenziójú és értékkészlető célfüggvények szerepelhetnek, amelyek gyakran egymással valamilyen (legtöbbször pontosan nem is ismert) kölcsönkapcsolatban állhatnak. Az ilyen feladatoknak csak kivételes esetekben van olyan megoldása, amely az összes célfüggvény szempontjából egyszerre tekinthetı optimálisnak. Kompromisszumos megoldás értelmezéséhez és megtalálásához szükséges annak definiálása, hogy milyen szempontok szerint és hogyan hasonlíthatók össze a lehetséges megoldások. A többcélú optimalizálási feladatok egyik gyakran alkalmazott megoldási módszere az, hogy visszavezetik azokat valamilyen technika alkalmazásával egycélú optimalizálási feladatra. Legtöbbször erre a célra valamilyen összetett függvényt használnak – amely gyakran a célfüggvények súlyozott lineáris konbinációja –, és annak az optimumát próbálják meghatározni. Ennek a módszernek a nehézségét a súlyozótényezık értékének megadása jelenti, mivel ennek megválasztásától nagymértékben függ az optimális megoldás. Alkalmazását tovább nehezíti az, hogy nem különíthetı el élesen a különbözı célfüggvények összeadásához szükséges normalizálás és a fontosságbeli különbségek kifejezésére irányuló prioritások kiosztásának mővelete. Egy másfajta megközelítést megvalósító módszer a hierarchikus optimalizálás. Ennek során a különbözı célfüggvények között valamilyen rangsort felállítva, az adott sorrendnek megfelelıen egyenként kerül sor a célfüggvények minimalizálására, figyelembe véve a korábban elért eredmények köré felállított tartományokban engedélyezett mozgásokat. Legnagyobb hátránya ennek a módszernek az, hogy a célfüggvények fontosságának idıbeli változását nagyon nehezen tudja követni. Ehhez hasonló a célprogramozás módszerének alapgondolata is. Ebben a megközelítésben a különbözı célfüggvényeket a lehetıségekhez mérten át kell transzformálni speciális korlátozásokká. Ezt követıen olyan megoldás megtalálására kell koncentrálni, amely az ilyen módon kibıvített korlátozásokat maradéktalanul kielégíti és a megmaradt egyetlen célfüggvény szempontjából a legjobb megoldásnak tekinthetı. Dinamikus rendszerben, amikor az aktuális célfüggvénykészlet összetétele és az összetevık fontossága idırıl idıre változik, az algoritmikus megoldás dominanciája miatt nehezen adaptálható a módszer. Több kritérium együttes kezelésére alkalmas, hatékony eredményértékelı és -összehasonlító lehetıséget nyújtanak a Pareto-elven mőködı módszerek is. A megoldáskeresés koncepciója fıként abban tér el az elızıekben vizsgált módszerektıl,
PHD ÉRTEKEZÉS
50
hogy ebben a megközelítésben a különbözı célfüggvények megmaradnak eredeti alakjukban, és párhuzamosan kerülnek kiértékelésre. Két megoldás minıségének összehasonlítása során a célfüggvények értékein túlmenıen logikai kifejezések is szerepet játszanak. Nincs szükség a célfüggvények értékkészletének egységesítésére, mert a különbözı megoldások esetében is rendre csak ugyanolyan típusú célfüggvények kerülnek összehasonlításra. A cél egy olyan sp megoldás megtalálása, melyrıl bármely irányba elmozdulva, a környezetében nincs olyan s’ megoldás, amelyik legalább egy célfüggvény értékében jobb sp megoldásnál úgy, hogy az összes többi célfüggvény értéke legalább ugyanolyan jó mint az sp megoldás értékei. A módszer alkalmazhatóságát részben korlátozza az, hogy a célfüggvények eltérı fontossága a felhasználó által ilyenkor közvetlenül nem befolyásolható. Másrészt az összehasonlításra alkalmas megoldások generálása meglehetısen nehézkessé válhat nagymérető, tagolt, nem homogén megoldástérben. Léteznek tehát különbözı módszerek és elvek, azonban a vizsgált ütemezési (optimalizálási) feladat sajátosságainak figyelembevételére, dinamikus rendszerben történı alkalmazásra a paraméterezés nehézségei miatt ezek kevésbé alkalmasak közvetlenül. Egy új szemlélető, rugalmasan és könnyen adaptálható módszer kifejlesztésével az ismert megoldási módszerek hasznos tulajdonságai elınyösen ötvözhetık. A követelményeket a következıképpen fogalmaztam meg: • Célszerő a feladatmegoldások jóságának összehasonlítása során egyszerő, egymástól független, idıben változtatható, tetszılegesen megválasztható nemnegatív értékő prioritásértéket hozzárendelni a célfüggvényekhez, kizárólag azok fontosságának kifejezésére. • Elınyösebb lehet párosítva, rendre csak azonos típusú célfüggvények értékeit összehasonlítani, mint a különbözı célfüggvényeket egységesíteni, és egyetlen összetett célfüggvénybe beépíteni. • Rugalmasabb megoldási módszer hozható létre a változások relatív mértékének figyelembevételével, mint a célfüggvények értékeinek globális szemlélető értelmezésével. A felsorolt megfontolásoknak megfelelıen kifejlesztettem egy új módszert, amelyben két megoldás jóságának az összehasonlítása nem a megoldások külön-külön vett abszolút jóságának valamilyen módszerrel végrehajtott számszerősítésén, majd ezek összehasonlításának eredményén alapul, hanem az egyik megoldásnak a másikhoz viszonyított (relatív) jósága kerül számszerősítésre, és ennek alapján dönthetı el az, hogy melyik tekinthetı jobb megoldásnak.
PHD ÉRTEKEZÉS
51
Jelölje S a megengedett megoldások halmazát. Legyenek adottak az f1,..., f K optimalizálási célok: f k : S → ℜ + ∪ {0} , ∀ k ∈ {1, 2 ,..., K } ,
(4.22)
melyek mindegyike felírható minimalizálandó célfüggvények formájában. A feladat a legjobb s* ∈ S „kompromisszumos” megoldás megtalálása. min [ f 1 ( s ),... f k ( s ),... f K ( s )] , ∀ k ∈ {1, 2 ,..., K } . s∈S
(4.23)
Legyenek wk ∈ ℜ , wk ≥ 0 , ∀ k ∈ {1, 2 ,..., K } ,
(4.24)
a célfüggvények aktuális fontosságát, „prioritását” kifejezı tényezık, amelyeknek az aktuális értéke egymástól függetlenül, a felhasználó által tetszılegesen beállítható. Legyenek az s x , s y , s z ∈ S lehetséges (minden korlátozást kielégítı, megengedett) megoldások. Jelölje max a következı operátort:
a , ha a > b max : ℜ 2 → ℜ , max( a , b) = . b, egyébként Legyen D a következı függvény: 0, ha max(a , b) = 0 2 D : ℜ → ℜ , a, b ∈ ℜ , D( a , b) = b − a . ⋅ 100 , egyébként max(a , b) Legyen F a következı függvény:
(4.25)
(4.26)
K
F : S 2 → ℜ , F ( s x , s y ) = ∑ ( wk ⋅ D ( f k ( s x ), f k ( s y ))) .
(4.27)
k =1
Ezek alapján az F ( s x , s y ) elıjeles érték jelenti az sy megoldásnak az sx megoldáshoz viszonyított (relatív) jóságát (minıségét). Az F kétváltozós függvény felhasználásával a következı alapvetı relációs operátorok definiálhatók: s x < s y (sx jobb megoldás, mint sy) akkor, ha F (sx , s y ) > 0 .
s x = s y (sx, sy azonosan jó megoldások) akkor, ha
F (sx , s y ) = 0 .
s x > s y (sx rosszabb megoldás, mint sy) akkor, ha
F (sx , sy ) < 0 .
Ezeket felhasználva a relációs operátorok köre tovább bıvíthetı: s x ≤ s y (sx legalább olyan jó megoldás, mint sy) akkor, ha F (sx , s y ) ≥ 0 . s x ≥ s y (sx legfeljebb olyan jó megoldás, mint sy) akkor, ha
F (sx , s y ) ≤ 0 .
Az ilyen módon – a célfüggvények értékeire alapozva közvetlenül a lehetséges feladatmegoldások halmazán – értelmezett relációs operátorok felhasználásával lehetıvé válik a különbözı megoldások páronkénti összehasonlítása és értékelése. Ezáltal a valós számok körében alkalmazott relációs operátorokkal teljes mértékben megegyezı módon, különbözı stratégiák szerint kiválasztható a legjobb megoldás (ha csak egyetlen optimum létezik) vagy egy megoldás a legjobb megoldások halmazából (ha több optimum egyszerre létezik).
PHD ÉRTEKEZÉS
52
A célfüggvényekhez rendelt wk (4.24) prioritások (változók) növelik a módszer rugalmasságát azáltal, hogy interaktív bemenı paraméterekként funkcionálnak. Ez lehetıvé teszi, hogy a felhasználó az egymástól független aktuális wk értékek megadásával egyszerően definiálhassa az egyes célfüggvények figyelembevételének kívánatos mértékét a döntési szituációban. Ezeknek a prioritásoknak nincs függvénynormálási szerepe, kizárólag a célfüggvényben kifejezett döntéshozási szempont aktuális fontosságát fejezik ki. Gyakorlati szempontból a prioritásértékek nulla és egy célszerően választott pozitív felsı korlát közötti intervallumból kaphatnak értéket. A D függvényben (operációban) (4.27) mindig páronként, rendre csak azonos típusú komponens-célfüggvények értékei kerülnek feldolgozásra, így nincs szükség a különbözı típusú célfüggvények értékének „normálására”. A célfüggvényértékek elvileg tetszıleges dimenziójúak lehetnek. Egyetlen szigorú korlátozás, hogy a célfüggvényeket olyan formában kell megfogalmazni a modellben, hogy értékkészletük a nemnegatív valós számok halmaza legyen (4.22). Ennek következménye, hogy a D operátor nevezıjében lévı max függvény (4.25) értéke csak akkor lehet nulla, ha mindkét (összehasonlítás alatt álló) célfüggvény-érték nulla. Minden más esetben a max operátor pozitív valós számot eredményez. A számlálóban szereplı különbségképzés határozza meg a két célfüggvény-érték eltérésének elıjeles értékét. Mivel ez kivonási mővelet, az operáció nem kommutatív. Az osztás és a 100 szorzótényezı miatt válik a D operáció eredménye -100 és +100 közötti valós értékké. Végül, a célfüggvényérték-párok mindegyikére kiszámított relatív változások és a prioritásértékek szorzatösszege (skalár-szorzata, F függvény (4.27)) mutatja meg az eredı relatív változás végsı minısítését. A módszer jellemzıje, hogy a nulla célfüggvényérték közelében is támogatja a nulla érték elérését és megtartását azáltal, hogy a százalékos változást felerısíti azokban az esetekben, amikor a vizsgált célfüggvény egyik megoldásra vonatkozó értéke nulla, a másik megoldásra vonatkozó értéke pedig nullánál nagyobb szám. Ennek fıként olyan típusú célfüggvények esetében van különös jelentısége, amelyek ténylegesen felveszik a nulla értéket (ilyenek pl.: az ütemezéseknél nagy fontosságú késésekkel kapcsolatos célfüggvények). A D operációban – a max operáció helyett – más alkalmasan megválasztott függvény is használható lenne (pl. ( a + b) / 2 , + a 2 + b2 stb.). A módszer lényege – a páronkénti relatív minısítés elve – megmaradna. A max függvény használatát egyszerősége, a program futása közbeni gyors kiértékelhetısége és jó „kifejezı ereje” indokolja. A módszer még tovább általánosítható, ha a mindenkori optimalizálási feladatban szereplı célfüggvények jellegzetességeit figyelembe véve, komponensenként (vagy komponenscsoportonként) eltérı D operációvariánsok szerepelnek az F függvényben. A bemutatott módszer olyan esetekben is hatékonyan alkalmazható, amikor az aktuális célfüggvénykészlet összetétele és az összetevık fontossága egy optimalizálási „politika” részei, és ez a politika idırıl idıre változik.
PHD ÉRTEKEZÉS
4.4.
53
Általános célú heurisztikus ütemezési módszer
A végrehajtás-szemlélető szimulációra alapozott megoldási koncepció következményeként a termelési finomprogram elkészítése az egyes munkák feladatokra bontására és a feladatok gépenkénti sorrendjének meghatározására redukálódik, miközben a lehetséges megvalósítható finomprogramok halmaza könnyebben kezelhetıvé válik. Ennek a redukált problémának a megoldására többféle heurisztikus módszer is számításba jöhet. Elemezve a heurisztikák teljesítményét, a következı koncepciót fejlesztettem ki. A kezdeti megoldásokat elıállító algoritmusok eredménye nem függ közvetlenül a célfüggvényektıl és azok prioritásértékétıl. A kiválasztott algoritmusokba épített heurisztikák és diszpécserszabályok határozzák meg az ütemterv minıségét. Általános cél az, hogy ne legyenek túlságosan szétdaraboltak a belsı rendelések, ne legyen túl sok gépátállítás és gépvárakozás, ugyanakkor a munkák indítási sorrendje viszonylag összhangban legyen az elıírt idıablakokkal és a használható erıforrások képességeivel. A továbbfejlesztı (javító) eljárás a gyakran változó célok együtteséhez való rugalmas alkalmazkodás képességének fokozása érdekében, a termelési finomprogramok minıségének összehasonlítására a 4.3.2. fejezetben bemutatott többcélú eredményértékelı módszert használja. A kidolgozott eljárások a megoldási folyamat menetét figyelembe véve alapvetıen két csoportba sorolhatók: Az elsı csoportba tartoznak a felépítı jellegő heurisztikák. Ezek a módszerek az elızı finomprogram még be nem fejezett részébıl kiindulva, a kiválasztott soron következı ütemezendı munkához tartozó útvonalra, gépre és sorrendre vonatkozó döntéseket heurisztikus szabályok és szimulációs kiértékelés alapján hozzák meg. A második csoportba tartoznak az iteratív javításon alapuló heurisztikák. Ezeknél a módszereknél egy kezdeti megvalósítható ütemtervbıl kiindulva megengedett módosítások és szimulációs kiértékelések iterálásával alakul ki az aktuális céloknak jobban megfelelı termelési finomprogram. Ezekre a gyors és rugalmas, könnyen adaptálható megoldási módszerekre alapozva a kifejlesztett ütemezı „gép” (engine) a hozzárendelési és sorrendi problémákat egy kétfázisú, kombinált heurisztikus módszerrel oldja meg. A módszert a következık jellemzik: • Az elsı fázisban gyors felépítı algoritmusok több „jó” kezdeti megoldást generálnak. • A legjobb kezdeti megoldásból kiindulva a második fázisban többféle szomszédsági operátor kombinált alkalmazásával, többfunkciós tabulistakezeléssel és folyamatos tanuláson alapuló, paraméteres szabályozással mőködı, heurisztikus megoldó algoritmus javítja a megoldást az optimális vagy közel optimális eredmény elérése érdekében.
PHD ÉRTEKEZÉS
4.4.1.
54
Heurisztikus felépítı algoritmusok
A termelési finomprogram elkészítésének elsı fázisában az a cél, hogy rövid idı alatt egy „viszonylag jó” kezdeti ütemterv készüljön el. Az ütemezési feladatok változatossága (sok feladat, dinamikus sorozatnagyság, párhuzamosan mőködı gépek, alternatív technológiai útvonalak, több termeléspolitikai cél stb.) miatt szükséges, hogy az alkalmazott heurisztikák rugalmasan hozzáigazodjanak az aktuális feladathalmazhoz és azok végrehajtási környezetéhez. A fejlesztés során azt tapasztaltam, hogy különösen a különbözı termelési célok (célfüggvényrendszerek, -típusok és -prioritások) más-más heurisztikus algoritmussal kezelhetık hatékonyan. Mivel a termelési célokat kifejezı menedzserindexek és prioritások (súlyok) sokfélék lehetnek, és ezek egymásra is hatással vannak, ezért a kezdeti fázisban „viszonylag jó” megoldás eléréséhez többféle heurisztikus algoritmusra lenne szükség. Ilyenkor azonban a specializált algoritmusok által elınyben részesített célfüggvények értékének javulása más célfüggvények értékének erıteljes romlásához vezethet. Mindezek figyelembevételével a kezdeti megoldás elıállítása során a legfontosabb termelési jellemzık egyensúlyban tartása lehet a cél. A vezérelvem az volt, hogy a lehetı legrövidebb idı alatt egy olyan általános értelemben vett „viszonylag jó” ütemterv készüljön el, amelynek egyetlen célfüggvényértéke sem túl rossz. Ennek a legfontosabb elınye, hogy a második fázisban az iteratívan javító algoritmus bármely (az aktuális célfüggvényrendszernek megfelelı) irányba hasonló feltételekkel tudja majd elmozdítani a célfüggvényértékeket. A továbbiakban a kifejlesztett algoritmusok közül egy ilyen „terheléskiegyensúlyozó” elven mőködı heurisztikus algoritmust mutatok be részletesen. A modellépítı az input adatok feldolgozása során elızetesen elkészít egy kapcsolótömböt, amelyben a gyártási megrendelések indexeit a megkövetelt gyártásifolyamat-típusok alapján csoportosítva tárolja el a következı algoritmus szerint: Classify_orders_according_to_EXE(int ** E_O, ORDER* O, PRODUCT* P, int NO, int N_EXE) { int * E_O_number = new int[N_EXE]; //temp for (int e=0; e<=N_EXE; e++ ) E_O_number[e]=0; for (int o=1; o<=NO; o++) E_O_number[P[O[o].P].EXE]++; //create memory model for order groups E_O = new int*[N_EXE + 1]; for (int e=1; e<=N_EXE; e++) { E_O[e] = new int[E_O_number[e]+1]; E_O[e][0] = 0; } delete [] E_O_number; for (int o=1; o<=NO; o++) { E_O[P[O[o].P].EXE][E_O[P[O[o].P].EXE][0]+1] = o; E_O[P[O[o].P].EXE][0]++; } }
PHD ÉRTEKEZÉS
55
Az E_O kapcsolótömböt felhasználva a kezdeti ütemtervet felépítı (Basic Workload Balancing Algorithm, BWBA) terheléskiegyenlítı algoritmus fı lépései a következık: • Az algoritmus kiveszi az E_O kapcsolótömbbıl az o megrendeléseket a gyártásifolyamat-típusok EXE azonosítói szerint növekvı sorrendben (3.4.1. fejezet 4. ábra). • Az egyes megrendelések megbontás nélkül kerülnek ütemezésre. Az adott megrendeléshez tartozó munkák ugyanazokon a gépeken egymást követve haladnak végig. • A megengedett r útvonalalternatívák közül az kerül kiválasztásra, amelyik mentén az érintett gépek a legmagasabb integráltsági fokkal rendelkeznek, vagyis több mővelet együttes végrehajtására képesek (3.4.4. fejezet 7. ábra). • Az algoritmus a kiválasztott útvonal által érintett mg gépcsoportokból egyenletes valószínőséggel véletlenszerően választott konkrét m gépekhez rendeli hozzá a munkákat. • A gépeken a munkák végrehajtási sorrendjét a beütemezés sorrendje határozza meg. Az aktuális ütemezett munka a terhelési lista végére kerül. Az algoritmus a gépek egyenletes terhelésére törekszik. A magasabb integráltsági fokú gépeket fıként a több technológiai lépést megkövetelı megrendelések számára osztja ki, és az egyszerőbb gépeket terheli a kevesebb mőveletet igénylı megrendelések munkáival. A BWBA algoritmus formális váza a következı: int _S::generate_E_O_oriented_assign( ORDER * O, int** E_O, int N_EXE, int ** R_MG ) { //E_O groups of orders acconding to the EXE type //initializing for ( int m = 1; m<=NM; m++) M_T[m][0] = 0; //loading int o, route, nstep, step, mg, m, Last_Job, i, fi; for (int e = 1; e <=N_EXE; e++ ) for (int ao= 1; ao<=E_O[e][0]; ao++) { o = E_O[e][ao]; route = O[o].R[O[o].R[0]]; nstep = R_MG[route][0]; fi = O[o].FJ; J_T[fi][0] = route; for(step=1; step<=nstep; step++) { mg = R_MG[route][step]; m = O[o].MG_M[mg][1+random(O[o].MG_M[mg][0])]; J_T[fi][step] = m; M_T[m][0]++; M_T[m][M_T[m][0]] = fi; M_Tp[m][M_T[m][0]] = step; J_Tp[fi][step] = M_T[m][0]; } //folytatás a következı oldalon
PHD ÉRTEKEZÉS
56
Last_Job = O[o].FJ + O[o].NJ - 1; for ( i = fi+1; i <= Last_Job; i++ ) { J_T[i][0] = J_T[fi][0]; for(step=1; step<=nstep; step++) { m = J_T[i][step] = J_T[fi][step]; M_T[m][0]++; M_T[m][M_T[m][0]] = i; M_Tp[m][M_T[m][0]] = step; J_Tp[i][step] = M_T[m][0]; } } } return 1; }
Látható, hogy ennek a felépítésnek köszönhetıen az algoritmus futási ideje (a végrehajtandó lépések száma) a megrendelések számával egyenesen arányos. A kezdeti ütemterv a vizsgált legnagyobb mérető problémák esetében is a másodperc töredéke alatt elkészül. Az elıállított ütemtervek rendre sokkal jobb célfüggvényértékekkel rendelkeznek, mint a véletlenszerően választott ütemtervek, ezáltal jó kiindulási alapot biztosítanak a javító algoritmusok számára (13.6. melléklet). Az algoritmus továbbfejlesztésével különbözı célfüggvényekre „kihegyezett” speciális változatok hozhatók létre: • Heurisztikus prioritási szabályokkal a gépenkénti munkasorrendek variálhatók (Heuristic Easy-Priority & FIFO Combined Algorithm, HEFCA), • A megrendelések beütemezésekor korlátozott iteráció-számmal a különbözı alternatíváknak megfelelı ütemtervrészletek szimulációs kiértékeléssel összevethetık (Heuristic Inserting Algorithm, HIA). Ezen algoritmusok (BWBA, HEFCA, HIA) felépítı jellege abban nyilvánul meg, hogy a beütemezett munkák gépekhez rendelését a további munkákra vonatkozó döntések meghozatalakor már nem változtatják meg. Az így felépített induló ütemtervek lesznek a keresı-javító tervezési fázis kiinduló objektumai. Mivel az induló ütemtervek célfüggvényértékeit az ütemezı számítja és tárolja, a javítás (vagy késıbb az esetleges újraütemezés) során bekövetkezett minden változás a menedzserindexekben nyomon követhetı.
4.4.2. 4.4.2.1.
Többcélú heurisztikus keresıalgoritmus A keresıalgoritmus váza
A keresési folyamat során – egy heurisztikusan felépített kezdeti ütemtervbıl kiindulva – megengedett módosítások ismételt végrehajtásával alakul ki a végsı ütemterv. A keresés a leállási feltétel teljesüléséig tart.
PHD ÉRTEKEZÉS
57
Egy közbensı lépés során az algoritmus bizonyos számú kiterjesztett ütemtervet készít prioritásértékekkel vezérelt szomszédsági operátorok alkalmazásával. Ha egy kiterjesztett ütemterv szerepel a tabulistán, akkor azt nem értékeli ki, figyelmen kívül hagyja. Ha egy kiterjesztett ütemterv nem szerepel a tabulistán, akkor felkerül a tabulistára, és a legkorábban felvett listaelem törlıdik. A szimulációs kiértékelést követıen, ha a kiterjesztett ütemterv jobb, mint az adott kiterjesztés legjobb ütemterve, akkor megjegyzésre kerül. A kiterjesztés legjobb ütemterve lesz a következı lépés kiterjesztésének kiindulási bázisa. Ha ez legalább olyan jó megoldás, mint a keresés során már megtalált legjobb megoldás, akkor ez kerül megjegyzésre. A keresıalgoritmus formális váza a következı: _S SCH_SEARCH(ORDER* O, JOB* J, MACHINE* M, int** MG_M, int STEPS, int LOOPS, int min_LOOP, int MAX_LENGHT, int* Nx_operator_priority, int Nx_number) //rendelések, munkák, gépek, gépcsoportok, lépések száma, adott lépéshez tartozó iterációk max. száma, //a kötelezı iterációk száma, a tabulista elemeinek max. száma, operátorok prioritásai, oprtáorok száma
{ OBJ_VAL obj_val; //az aktuális célfüggvényértékeket tároló objektum _S s0; //kezdeti megoldás s0.build_init_solution(); //felépítı heurisztikus algoritmus s0.calc_M_STET(MG_M, O, J, M); //feladatok végrehajtásának szimulációja s0.calc_job_order_time_and_obj_value(obj_val, O, J); //idıadatok és célfüggvények számítása _S s_saved(s0); //a kiterjesztés kiinduló megoldása _S s_ext(s0); //a kiterjesztés legjobb megoldása OBJ_VAL obj_val_ext(obj_val); //a kiterjesztés legjobb megoldásának célfüggvényértékei _S s_best(s0); //a keresés során megtalált legjobb megoldás OBJ_VAL obj_val_best(obj_val); //a keresés során megtalát legjobb megoldás célfüggvényértékei TABULIST TabuList(NULL); //korábban kiértékelt, tiltott megoldások listája int used_operator; //az aktuális kiterjesztésben a legjobb szomszédot elıállító operátor int Nx_selected_operator; //a használatra kijelölt operátor Nx_total = new long[Nx_number+1]; //a szomszédsági operátorok kiválasztásának számértékei Nx_improve = new long[Nx_number+1]; //a szomszédsági operátorok által megnyert kiterjesztések száma for (int n = 0; n <= Nx_number; n++) //a szomszédsági operátorokhoz tartozó kezdıértékek megadása Nx_total[n] = Nx_improve[n] = 0; for(int step = 1; step <= STEPS; step++) //a keresés lépésenkénti végrehajtása { if ( Scheduling_stop() == true ) break; //leállás: idıkorlát elérése/ nincs javulás/ felhasználói akció for (int ext = 1; ext <= LOOPS; ext++ ) // kiterjesztés: adott lépéshez tartozó szomszédság vizsgálata { s0 = s_saved; //az aktuális kiterjesztés kiindulási megdoldásának (bázis) betöltése Nx_selected_operator = select_Nx_operator( Nx_number, Nx_operator_priority ); //kiválsztás s0.perturb( Nx_selected_operator ); //a szomszédos megoldás elkészítése a kiválasztott operátorral if ( TabuList.does_TL_include( s0 ) ) continue; //tiltott megoldás esetén új szomszédot készít else { TABU* newtabu = new TABU( s0 ); //az aktuális megoldás kódolása TabuList.add_new_TABU_into_startpos(newtabu); //felvétel a tabulista elejére if (TabuList.Get_N_of_TABU() > MAX_LENGHT) //a tabulista méretétıl függıen TabuList.delete_TABU_from_lastpos(); //a legkorábban felvett tabu törlése } s0.calc_M_STET(MG_M, O, J, M); //feladatok végrehajtásának szimulációja s0.calc_job_end_time_and_obj_value(obj_value, O, J); //idıadatok és célfüggvények számítása //folytatás a következı oldalon
PHD ÉRTEKEZÉS
58
if ( ext == 1 ) //az aktuális kiterjesztés elsı megoldása { obj_value_ext = obj_value; //a megoldáshoz tartozó célfüggvény-értékek másolása s_ext = s0; //az aktuális kiterjesztés legjobb megoldása used_operator = Nx_selected_operator; //a legjobb megoldást elıállító operátor megjegyzése } else { if ( obj_value_ext > obj_value ) //az aktuális megoldása jobb mint { //a kiterjesztés során eddig megtalált legjobb megoldás obj_value_ext = obj_value; //a megoldáshoz tartozó célfüggvényértékek másolása s_ext = s0; //az aktuális kiterjesztés legjobb megoldásának megjegyzése used_operator = Nx_selected_operator; //a megoldást elıállító operátor megjegyzése if ( ext > min_LOOP && obj_value_ext < obj_value_best ) break; } //adott számú iteráció után bejezıdhet a kiterjesztés ha az eddigi legjobb megoldástól is jobbat talált } } s_saved = s_ext; //a kiterjesztés legjobb megoldása lesz a következı kiterjesztés bázisa Nx_total[ used_operator ]++; //a kiterjesztést megnyerı operátor gyızelmeinek növelése Nx_total[ 0 ]++; //az összegzett gyızelmek számának növelése if ( obj_value_ext <= obj_value_best ) //az aktuális kiterjesztés legjobb megoldása legalább olyan jó { //mint a keresés során megtalált eddigi legjobb megoldás obj_value_best = obj_value_ext; //a megoldáshoz tartozó célfüggvényértékek másolása s_best = s_ext; //a legjobb megoldás megjegyzése Nx_improve[ used_operator ]++; //a legjobb megoldást adó operátor jutalmazása Nx_improve[ 0 ]++; //a javítások összesített számának növelése } Actualize_priority(Nx_operator_priority, Nx_improve, Nx_total); //az operátorok értékelése } delete [] Nx_total; delete [] Nx_improve; //lokális változók megszüntetése return s_best; }
4.4.2.2.
//megtalált legjobb megoldás
Tabulista
A tabulista „rövid távú memóriaként” mőködve biztosítja a keresési folyamat elırehaladását, támogatja a lokális optimumon való áthaladást, valamint megakadályozza a közelmúltban megvizsgált megoldásokra való visszatérést és a nem kívánt ismétlıdı hurkok kialakulását. Ennek az összetett funkciónak a megvalósítására – az irodalomban általánosan javasolt megoldásoktól eltérve – azt a módszert dolgoztam ki, hogy a tabulista idırendi sorrendben, kódolt alakban, a keresési folyamat során kiértékelt megoldásokat tárolja. A listán nyilvántartott megoldások (ütemtervek) legnagyobb darabszámát a MAX_LENGHT paraméter határozza meg. A tabulistán lévı megoldások tiltottak, az aktuális kiterjesztés során már nem tekinthetık szomszédnak. A tabulista hossza nagymértékben befolyásolja a keresési folyamatot. Ennek értékétıl függ az, hogy a keresési tér bejárása során az algoritmus mennyire „mély” lokális „gödörbıl” képes kijutni. Mivel a keresıalgoritmus minden egyes lépésben a legjobbnak ítélt szomszédos megoldást választja, egy rosszabb megoldásról indulva („magasabban” lévı pont) a legnagyobb csökkenés mentén lefelé halad a lokális
PHD ÉRTEKEZÉS
59
optimum irányába („alacsonyan fekvı pont”). A lokális optimum elérése után azonban a megoldástér felett értelmezett célfüggvények által meghatározott felület palástján lentrıl felfelé spirálszerő pályán mozogva próbál újra lefelé vezetı utat találni. Ha a szomszédos megoldások száma nagy, akkor sajnos könnyedén visszajuthat a már ismert lokális optimumba. Kellıen nagyra választott (méretezett) tabulistával azonban elérhetı, hogy kijusson a „dombtetıre” és annak egy másik oldalán induljon újra lefelé egyre jobb megoldások megtalálásának reményében. A kiterjesztés (szomszédos megoldások generálása és vizsgálata) során ellenırzésre kerül az aktuális szomszédnak jelölt megoldás tabu volta, vagyis az, hogy szerepel-e már a tabulistán. Ha a tabulista mérete indokolatlanul nagy, akkor az ellenırzések következtében nagymérető feladatok esetében feleslegesen megnı a futási idı. Ez elkerülhetı megfelelıen megválasztott mérető tabulistával, valamint az összehasonlítások idejének csökkentésével. Ez utóbbi érdekében minden egyes kiértékelt ütemtervnek rendre csak a gépenkénti feladatlistája (M_T) kerül átmásolásra egy erre a célra létrehozott tabu objektumba és az kerül fel a tabulistára. Egy adott megoldás ellenırzése során, a keresıgép a tabulistán idırendben visszafelé haladva (a legutoljára felkerült elıre elv alkalmazásával) veszi elı az elemeket. Egy adott tabuobjektum és a jelölt ütemterv összehasonlítása során elıször a gépekhez rendelt (aktuális terheléseket reprezentáló) gyártási feladatok darabszámai kerülnek páronként összevetésre, amely még nagymérető feladatok esetében is nagyon gyorsan elvégezhetı. Ha ezekben nincs eltérés, csak akkor kerül sor a gépenkénti feladatlisták sorrendhelyes összehasonlítására az elsı eltérés észleléséig, vagy teljes egyezıség estén a feladatlista végének eléréséig. Ilyen módon, az aprólékos részletekre kiterjedı egyezıségvizsgálat helyett alkalmazott szisztematikus különbségkereséssel elfogadható sebesség érhetı el. A kidolgozott módszer további elınye, hogy megakadályozza a tiltott ütemtervek idıadatainak szimulációs meghatározását, és a célfüggvények felesleges kiszámítását. Az így elért idımegtakarítás jóval nagyobb az ellenırzésre fordított idıtartamnál, így ez is jelentısen hozzájárul a feladatmegoldáshoz szükséges futási idı csökkentéséhez.
4.4.2.3.
Szomszédsági operátorok
A keresési folyamatban a szomszédsági operátorok állítják elı az ütemezési feladat megoldásait jelentı ütemterveket. A keresımotor a soron következı ütemtervet az aktuális ütemtervben szereplı feladatok (J_T kapcsolótömbbel leírt) definíciójának és/vagy a feladatok (M_T kapcsolótömbbel meghatározott) végrehajtási sorrendjének megváltoztatásával hozza létre. Az igen kis mérető ütemezési feladatoktól eltekintve a lehetséges módosítások körének teljes kifejtése (leszámlálása) a feladat jellegébıl következı kombinatorikus robbanás miatt kivárható idı alatt nem valósítható meg. A lehetı legjobb megoldás megtalálásához nélkülözhetetlen olyan módosítóoperátorok használata, amelyek: • egyrészt kellıen finom bejárást biztosítanak, ezáltal nem „lépnek” át jó megoldásokat,
PHD ÉRTEKEZÉS
•
60
másrészt megfelelıen nagy mértékő továbblépésekkel biztosítják, hogy a nagyobb távolságok elérése a kiértékelések következtében ne váljon túlságosan lassúvá, mert az a válaszidı értékét erıteljesen megnövelné. A módosítóoperátorokkal szemben további részben összetartozó és részben ellentmondó követelmények is támaszthatók: • A megengedett megoldások nem feltétlenül homogén és összefüggı keresési terébıl az operátorok nem vezethetnek ki. • Az operátoroknak biztosítaniuk kell a keresési tér bármely (pl. egy elszigetelt tartományban lévı) pontjának elérését is. • A rugalmasság szempontjából fontos, hogy a módosítóoperátorok ne függjenek túlságosan egyetlen célfüggvénytıl sem, ellenkezı esetben ugyanis bizonyos célfüggvényekre nagyon hatékonyaknak bizonyulhatnak, míg más célfüggvények esetében elfogadhatatlanul gyengén teljesítenének. A felállított követelményrendszer kielégítésére többféle módosítóoperátort definiáltam. Ezek mindegyike egy adott ütemterv következetesen végrehajtott, a kemény korlátozásokat maradéktalanul kielégítı megváltoztatására képes. Egy adott ütemtervbıl kiindulva a módosítóoperátorok önálló vagy kombinált alkalmazásával elérhetı megoldáshalmazok unióját tekintem az adott ütemterv szomszédságának. Az operátorok definíciójában bonyolult feltételek megfogalmazása nélkül biztosított az, hogy bármely megvalósítható ütemtervbıl készített új ütemterv szintén megvalósítható marad, hiszen az ütemezési modellbıl a felépített kapcsolatrendszernek köszönhetıen a lehetıségek teljes tára, és annak határai is pontosan kiolvashatók. Ennek komoly elınye az, hogy nincs szükség a kiterjesztés során elıállított ütemtervek konzisztenciájának további vizsgálatára, ezáltal a futási idı nem növekszik feleslegesen. Alapvetıen megrendelés-, munka-, feladat- és géporientált operátorokat fejlesztettem ki és vizsgáltam meg. Ezek független, valamint együttes értékelését követıen csak a legjobbnak ítélt szomszédsági operátorokat építettem be a keresıalgoritmusba. A keresıoperátorok bemutatása érdekében bevezetem az _S névvel azonosított osztályt, amely a DSCH termelési finomprogramot és az azon értelmezett metódusokat fogja egységbe. Az _S osztály legfontosabb adattagjai a 3.4.6. fejezetben bemutatott kapcsolótömbök alapján a következık: • NO: a termelési finomprogramban szereplı megrendelések száma, • NJ: a munkák száma, • NM: a gépek száma, • J_T: a gyártási feladatok listája, • M_T: a gyártási feladatok gépenkénti végrehajtási sorrendjének listája, • M_STET: a gyártási feladatok idıadatainak listája, • J_Tp: a munkákhoz tartozó gyártási feladatok gépenkénti végrehajtási pozíciójának listája, • M_Tp: a gépekhez rendelt gyártási feladatok munkákhoz tartozó végrehajtási lépéséinek listája.
PHD ÉRTEKEZÉS
61
Az _S osztálynak a keresési feladat megoldása szempontjából fontos metódusai a következık: Alapvetı mőveletek: • Adott munka és a hozzá tartozó gyártási feladatok kiemelése az ütemtervbıl: void _S::remove_job_from_sch(int i); • Adott munka beillesztése az ütemtervbe, a munka elvégzéséhez szükséges gyártási feladatok és azok végrehajtási sorban betöltött helyének véletlenszerő megválasztásával: void _S::random_value_for_i_job(int i, ORDER* O, JOB* J); • Adott lépésszámnál (maxN) nem hosszabb, véletlenszerően választott hosszúságú permutációciklus definiálása: int _S::generate_cycle(int size_of_c, int* c, int maxN); • Adott permutációciklus adott sorozaton történı végrehajtása: void do_pi(int *c, int m); • Adott gépen a végrehajtási sorban szereplı feladatok sorrendjének véletlenszerő permutálása: int _S::random_do_pi_seq_change_on_m_machine(int m); • Egy késı munka egyenletes valószínőséggel véletlenszerően történı kiválasztása: int _S::random_select_latejob(ORDER* O, JOB* J, int n_of_latejob); A felsorolt alapvetı mőveletekhez kapcsolódó algoritmusok bemutatása a 13.3. mellékletben megtalálható. Módosítóoperátorok:
P1 operátor: Kiemeli a paraméterében megadott munkát az ütemtervbıl, majd újra beilleszti azt egyenletes valószínőséggel véletlenszerően választott útvonal, gépek és pozíciók szerint. int _S:: P1(int job, ORDER* O, JOB* J) { remove_job_from_sch(job); random_value_for_i_job(job, O, J); return 1; }
P2 operátor: A paraméterként megadott gépen megváltoztatja a munkák végrehajtási sorrendjét. A géphez rendelt munkák sorozatát egy kiindulási permutációnak tekinti, majd generál hozzá egy véletlen hosszúságú permutációciklust és azt alkalmazza a kiindulási permutációra. Az eredményül kapott új permutáció határozza meg a munkák sorrendjét a gépen. int _S:: P2(int machine) { if ( random_do_pi_seq_change_on_m_machine(machine) ==1 ) return 1; else return 0; }
PHD ÉRTEKEZÉS
62
P3 operátor:A paraméterként megadott, módosításra kijelölt (mod_job) munkát kiemeli az ütemtervbıl, majd beszúrja a második (fix_job) paraméterben referenciának tekintendı munka mögé, minden gépen rendre a közvetlenül azt követı pozícióba. Ez úgy valósul meg, hogy a módosítandó munkához hozzárendeli a fix munka útvonalát és az ahhoz tartozó gépeket, majd minden egyes érintett gép végrehajtási sorába beszúrja a módosításra jelölt munkát a fix munkát közvetlenül követı munka elé, a többi munka jobbra léptetésével. int _S:: P3(int fix_job, int mod_job) { remove_job_from_sch(mod_job); int route = J_T[fix_job][0]; J_T[mod_job][0] = route; int nstep = R_MG[ route ][0]; int machine, new_pos, shift_pos; for(int step=1; step<=nstep; step++) { machine = J_T[mod_job][step] = J_T[fix_job][step]; M_T[machine][0]++; new_pos = J_Tp[fix_job][step]; for (shift_pos=M_T[machine][0]-1; shift_pos>0 && shift_pos>=new_pos; shift_pos -- ) { M_T[machine][shift_pos+1] = M_T[machine][shift_pos]; M_Tp[machine][shift_pos+1] = M_Tp[machine][shift_pos]; J_Tp[M_T[machine][shift_pos+1]][M_Tp[machine][shift_pos+1]] = shift_pos+1; } M_T[machine][new_pos] = mod_job; M_Tp[machine][new_pos] = step; J_Tp[mod_job][step] = new_pos; } return 1; }
P4 operátor: A paraméterként megadott, módosításra kijelölt (order) megrendeléshez tartozó munkákat kiemeli az ütemtervbıl, és egyetlen egységként kezelve új helyre illeszti be azokat. Ezt úgy végzi el, hogy a megrendelés elsı munkáját az ütemtervbıl való kiemelés után újra beilleszti egyenletes valószínőséggel véletlenszerően választott útvonal, gépek és pozíciók szerint (P1 operátor). Ezt követıen a megrendelés összes többi munkáját az elsı munka mögé (a P3 operátor által meghatározott módon) helyezi el. int _S::P4(int order, ORDER* O, JOB* J) { int first_job = O[order].FJ; int next_job: remove_job_from_sch(first_job); random_value_for_i_job(first_job, O, J); if ( O[order].NJ>1 ) for ( next_job = first_job+O[order].NJ-1; next_job > first_job; next_job--) P3(first_job, next_job); return 1; }
PHD ÉRTEKEZÉS
63
Szomszédsági operátorok:
N1 operátor: Az ütemtervben szereplı rendelések közül egyenletes valószínőséggel véletlenszerően kiválaszt egy megrendelést. Kiemeli az ütemtervbıl a teljes megrendelést (a hozzá tartozó munkák összességét), majd megbontás nélkül új helyre illeszti be. void _S::N1(ORDER* O, JOB* J) { int order = 1 + random(NO); P4(order, O, J); }
N2 operátor: Az ütemtervben szereplı határidıt túllépı rendelések közül egyenletes valószínőséggel véletlenszerően kiválaszt egy késı megrendelést. Kiemeli az ütemtervbıl a teljes megrendelést (a hozzá tartozó munkák összességét), majd megbontás nélkül új helyre illeszti be. void _S::N2(ORDER* O, JOB* J, int n_of_latejob) { int job = random_select_latejob(J, O, n_of_latejob); int order = J[job].OID; P4(order, O, J); }
N3 operátor: Ez a két módosítást összevontan végrehajtó operátor az elsı lépésben az ütemtervben szereplı határidıt túllépı munkák közül egyenletes valószínőséggel véletlenszerően kiválaszt egy késı munkát. Kiemeli az ütemtervbıl a munkát a hozzá tartozó gyártási feladatok összességével. Egyenletes valószínőséggel véletlenszerően választott útvonal, valamint gépek hozzárendelésével újradefiniálja a munka elvégzéséhez szükséges gyártási feladatokat, és az adott gépeken szintén véletlenszerően választott pozíciókba beilleszti. Második lépésként egy véletlenszerően kiválasztott gépen megváltoztatja a gyártási feladatok végrehajtási sorrendjét. void _S::N3(ORDER* O, JOB* J, int n_of_latejob) { int job = random_select_latejob(J, O, n_of_latejob); P1(job, O, J); int machine = 1 + random(NM); P2(machine); }
N4 operátor: Az N4 operátor mőködése megegyezik az N3 operátor elsı lépésével, vagyis az ütemtervben szereplı határidıt túllépı munkák közül kiválaszt egy késı munkát és kiemeli az ütemtervbıl. Ezt követıen újradefiniálja a munka elvégzéséhez szükséges gyártási feladatokat és a kiválasztott gépeken véletlenszerően választott pozíciókba illeszti be azokat. void _S::N4(ORDER* O, JOB* J, n_of_latejob) { int job = random_select_latejob(J, O, n_of_latejob); P1(job, O, J); }
PHD ÉRTEKEZÉS
64
N5 operátor: Az N5 operátor mőködése hasonló az N3 operátor mőködéséhez, a különbséget csak az jelenti, hogy itt az ütemtervben szereplı összes munka közül választ egy munkát és azt emeli ki az ütemtervbıl és ahhoz választ új útvonalat, gépeket és jelöl ki ezeknek megfelelıen végrehajtási pozíciókat. void _S::N5(ORDER* O, JOB* J) { int job = 1 + random(NJ); P1(job, O, J); }
4.4.2.4.
Szomszédsági operátorok általános célú alkalmazása
A bemutatott szomszédsági operátorok különbözı feladatváltozatok esetében önmagukban is alkalmasak a keresési feladat megoldásterének feltérképezésére és megfelelı minıségő eredmény megtalálására elfogadható idı alatt. Azonban az EFFS ütemezési feladatosztály sokszínősége – amely egyrészt az általánosan megfogalmazott építıelemek (erıforrások, munkák) egymáshoz való viszonyának, másrészt az idıben eltérı fontosságú, változatos célfüggvények együttes alkalmazásának következménye – igényli, hogy a keresıalgoritmus széles problémakörben általános céllal is alkalmazható legyen. A keresési folyamatban egy adott kiterjesztés során a következı szomszédos ütemterv elkészítésére eredményesen használható szomszédsági operátor kiválasztása az operátorok aktuális teljesítıképességére jellemzı prioritásértékekkel egyenesen arányos valószínőséggel történik meg a következı algoritmus szerint: int select_Nx_operator( int Nx_number, int * Nx_operator_priority ) { //Nx_number: a szomszédsági operátorok száma //Nx_operator_priority: //a szomszédsági operátorok aktuális prioritásértékeit leíró vektor if (Nx_number ==1 ) return 1; int pri_sum = 0; for (int sj = 1; sj <= Nx_number; sj++) pri_sum += Nx_operator_priority[sj]; int random_i = 1 + random(pri_sum); int fix = 0; int op = 1; for (int sj = 1; sj <= Nx_number; sj++) { fix += Nx_operator_priority[sj]; if ( fix >= random_i ) { op = sj; break; } } return op; }
//a kiválasztott operátor sorszáma
PHD ÉRTEKEZÉS
65
Az operátorok prioritásai bizonyos lépésszám után frissítésre kerülnek. Minden egyes operátorhoz tartozó konkrét prioritásérték beállításának alapját egyrészt az adott lépésszámra vonatkoztatott megnyert kiterjesztések (vagyis az adott operátor által legjobb megoldást adó kiterjesztések) száma, másrészt a kiválasztások számának és a javuló módosítások számának aránya alapján felállított sorrend határozza meg. A bemutatott szomszédsági operátorok együttes dinamikus alkalmazása és azok aktuális teljesítıképességének önálló számszerő értékelése egy rugalmas, prioritásértékekkel vezérelt szomszédságkiválasztási módszert eredményez, amely a keresési folyamat megfelelı irányításával nagymértékben hozzájárul az aktuális feladathoz való rugalmas alkalmazkodás biztosításához, a gyors és hatékony feladatmegoldáshoz. Az elvégzett vizsgálatok eredményei – amelyeknek néhány jellemzı részlete a 13.6. mellékletben található – azt mutatják, hogy a javasolt megoldási módszer nagymérető feladatok esetében is hatékonyan alkalmazható, rugalmasan alkalmazkodik az aktuális célfüggvényekhez és rövid idı alatt szolgáltatja az eredményt.
PHD ÉRTEKEZÉS
66
5. ÚJRAÜTEMEZÉSI FELADATOK MEGOLDÁSA
5.1.
Újraütemezési feladatok megfogalmazása
A termelés finomprogramozása a gyártásirányítás rövid távú tervezési és irányítási feladatának megvalósítását jelenti, melynek során adott a termelési rendszer aktuális állapota, a rendszerben fennálló érvényes korlátozások (beleértve a véges technológiai kapacitásokat, a rendelkezésre állásokat, a mőveletek sorrendi elıírásait és egyéb feltételeket is). Az elıidejő (prediktív) ütemezési feladatban a gyártásra kiadott belsı rendelések megvalósításához gyártási munkákat és mőveleteket kell definiálni, majd ezek elvégzéséhez alkalmas gyártási erıforrásokat, valamint indítási és befejezési idıpontokat kell tervezett módon úgy hozzárendelni, hogy a definiált korlátozások teljesüljenek, és a termelés teljesítményét mérı mutatók legalább kvázi optimálisak legyenek, azaz a menedzsment magasabb szintjén megfogalmazott célok megvalósuljanak. Az elıidejő ütemezés során, az ütemezés idıpontjában rendelkezésre álló – részben a jelenlegi, részben a közlejövıben várható rendszerállapotra vonatkozó – ismeretek determinisztikus alkalmazásával megtervezett kvázi optimális termelési finomprogram önmagában nem garantálja az ütemezett idıszakban a termelési folyamat optimális lefolyását. A fizikai és az üzleti folyamatok elkerülhetetlen sztochasztikája miatt szükség van a gyártás valós idejő folyamatos irányítására. Az irányítás során számos korrekciós beavatkozási döntést kell hozni. Számos szituáció szükségessé teszi a termelési folyamatok érvényes ütemezésének felfüggesztését, a folyamatok újraütemezését. Fontos követelmény lehet, hogy a termelés finomprogramozására szolgáló alkalmazás az irányítási feladat fontos összetevıjeként az újraütemezési feladatok megoldását is foglalja magába. A termelés újraütemezése megfogalmazható a „viselkedés alapú” gyártásirányítás olyan beavatkozási folyamataként, amelynek során az elindított és végrehajtás alatt álló termelési finomprogram aktualizálásra, korrigálásra, újratervezésre kerül. Az újraütemezés indoka: reagálás a nem várt termelési és/vagy üzleti események fellépése nyomán kialakult, az eredetileg tervezett rendszerállapottól a megengedhetınél nagyobb mértékben eltérı tényleges rendszerállapotra és annak várható következményeire. Ebben a szemléletben a feladatmegoldást, a gyártásirányítási tevékenységet támogató beavatkozási folyamat elnevezés arra utal, hogy az elıidejő ütemezési feladat
PHD ÉRTEKEZÉS
67
megoldására kidolgozott tervezési módszer kiterjesztésével a speciális követelményeket támasztó újraütemezési feladatok is hatékonyan támogathatók. A korszerő gyártásirányítási rendszer többszörösen visszacsatolt, zárt hurkos szabályozás. A gyártási folyamat zavarainak elhárítása elsıdlegesen a korszerő gépvezérlık (CNC, PLC, ROC) feladata. A második beavatkozási szint a mővezetés, a gépbeállítások (setup) szintje. Ha a tervezett és a tényleges termelési mutatók (állapotjelzık) eltérése így sem korrigálható, és meghatározott limiteket meghalad, az újraütemezés elkerülhetetlen.
5.2.
Az újraütemezési feladat speciális követelményei
Az újraütemezés általános célú, ugyanakkor hatékony megvalósítása érdekében szükséges az elıidejő ütemezési feladat kiterjesztését elvégezni új korlátozások és új célok bevezetésével. A probléma megoldásterét ezek az új feltételek szőkítik, ugyanakkor járulékos nehézséget okoznak a speciális gyártásirányítási követelmények (pl. gépátállítási, anyagellátási, minıségbiztosítási, logisztikai stabilitási igények) kielégítésére felállított új célfüggvények. Ideálisnak tekinthetı üzemszerő körülmények között a gyártórendszer állapota az ütemezett idıhorizont bármely idıpontjában pontosan megegyezik a tervezett állapottal. A gyakorlatban azonban számos váratlan esemény zavarhatja meg a termelés normális menetét, melyek következtében szükségessé válhat felülvizsgálni és indokolt esetben megváltoztatni az érvényes ütemtervet. Valós körülmények között gyakran elıforduló váratlan események lehetnek a következık: • A rendelésállomány megváltozása bizonyos megrendelések törlésének és/vagy új megrendelések beillesztésének hatására. • Konkrét megrendelések prioritásának, határidejének, megrendelt termékek mennyiségének megváltozása. • Az erıforrás-környezet megváltozása váratlan gépkiesés, gépek munkarendjének (kalendárium) megváltozása következtében. • Bizonyos gépek átállítási idıadatainak, selejtarányának, termelési sebességeinek és egyéb jellemzı képességeinek tartós vagy átmeneti módosulása. • Egyes gyártási feladatok végrehajtásával kapcsolatos váratlan események bekövetkezése (pl. szerszám, készülék, egyéb berendezés hiánya esetleg hibája miatt az elıkészületi idıadatoknak, vagy komponensek és anyagok késése következtében a mőveleti idıadatoknak a tervezettıl való jelentıs eltérése folytán stb.). • Termelési célokat elıíró célfüggvények vagy azok prioritásainak megváltozása. Egy újraütemezési feladatban az elıidejő ütemezési feladattal ellentétben eleve adott kezdeti feltételként (input adat) egy érvényben lévı (összehasonlítási alapnak tekintendı) termelési finomprogram, ami leírja a termelési folyamat elvárt menetét,
PHD ÉRTEKEZÉS
68
valamint ismertek az ehhez tartozó tervezett teljesítménymutatók. Adott továbbá az aktuális helyzetet tükrözı származtatott termelési finomprogram, amelyben az elıírttól eltérı, ténylegesen bekövetkezett állapotváltozások sorozatának megfelelı idıadatok szerepelnek. Fontos új követelményként fogalmazható meg, hogy az érvényben lévı ütemtervnek az újraütemezés idıpontja elıtt végrehajtott, vagy elkezdett része a feladatmegoldás során már nem változtatható meg (mert a múltban történt). Ugyanez a változtatásra vonatkozó tilalom érvényes az újraütemezés elkezdésének idıpontja és a módosított ütemterv életbeléptetésének idıpontja közötti idıintervallumra is. Ezek az elkezdett és/vagy már befejezett gyártási feladatok, munkák és megrendelések hatással vannak a jövıre is. Például adott útvonalon már elindított munkák hátralévı gyártási feladatai a kezdeti erıforrás-alternatívák nem mindegyikére tehetık át, ilyen értelemben a beavatkozási lehetıségek idıben elırehaladva csökkennek. Az újraütemezés során a módosított termelési finomprogram minısítésének szempontjai között megjelenhetnek olyan új elemek is, amelyek kifejezik az ütemtervváltozásokkal szemben támasztott speciális igényeket. Ilyenek lehetnek az egyedi (pl. bizonyos gépek átállítására, rendelések késésének engedélyezésére vonatkozó) illetve az összesített (pl. megváltozott allokációk vagy indítási sorrendek számának minimalizálására vonatkozó), valamint az egyéb termelési jellemzık változására vonatkozó elvárások.
5.3.
Az ütemezési módszer kiterjesztése
Az 4.1. fejezetben bemutatott termelésprogramozási koncepciót kellıen rugalmasnak találtam ahhoz, hogy az újraütemezés során fellépı további elvárásoknak is magas szinten megfeleljen.
5.3.1.
A szimulációs modell általánosítása
A szimulációra alapozott problématér-transzformáció továbbra is alkalmazható azzal a módosítással, hogy az újraütemezés során a szabálybázisra épített algoritmus a már rögzített (a gyártási folyamat közben ismerté vált tényleges) idıadatokat veszi figyelembe, ezáltal az egyes gyártási feladatok esetében már csak az ismeretlen idıadatokat számítja ki.
5.3.2.
A célfüggvények körének kibıvítése
Az alkalmazott többcélú optimalizálási modellbe könnyedén beilleszthetık az új követelmények, megfelelıen megválasztott célfüggvények formájában. Ezáltal a termelési folyamat elvárt minıségét definiáló célfüggvények és az újraütemezés speciális követelményeit megfogalmazó célfüggvények együttesen minısíthetik a módosított termelési finomprogramot. A különbözı célfüggvények fontosságának
PHD ÉRTEKEZÉS
69
rugalmas kifejezésére a prioritásértékek hozzárendelésének technikája itt is használható. Újraütemezés során elınyösen használható, mennyiségi és minıségi mutatókat logikai feltételekkel kombináló célfüggvényeket fogalmaztam meg és építettem be a modellbe. Ilyenek például a következık: 1. Az eredetitıl eltérı útvonal bejárására ütemezett munkák száma. 2. Az eredetitıl legalább egy eltérı párhuzamos gépre ütemezett munkák száma. 3. Az eredetileg tervezett befejezési státus (késı vagy nem késı) szempontjából megváltoztatott munkák száma. 4. Az eredetileg határidıre elkészülınek tervezett, azonban az újraütemezés következtében késıvé váló munkák száma. 5. Azoknak a megrendeléseknek a száma, amelyeknek van legalább egy az 1. pontban leírt feltételnek megfelelı munkája. 6. Azoknak a megrendeléseknek a száma, amelyeknek van legalább egy a 2. pontban leírt feltételnek megfelelı munkája. 7. Az eredetileg tervezett befejezési státus (késı vagy nem késı) szempontjából megváltoztatott megrendelések száma. 8. Az eredetileg határidıre elkészülınek tervezett, azonban az újraütemezés következtében késıvé váló megrendelések száma. 9. Az átállítások szempontjából megváltoztatott munkarendő gépek száma. 10. Új, eredetileg nem tervezett átállítással kibıvített munkarendő gépek száma. Az újraütemezés során tehát speciális célfüggvények állnak rendelkezésre, amelyek az eredetileg tervezett termelési finomprogram módosításának mértékét számszerősítik, és ezek mint minimalizálandó célfüggvények jelennek meg a hagyományos célfüggvények mellett. A használható függvények készlete tovább bıvíthetı. Az irodalomban az ilyen, bıvített feltételrendszert kielégítı ütemezési feladatot konzervatív ütemezésnek nevezik. A konzervatív jelzı arra utal, hogy a módosított ütemtervnek meg kell ıriznie az eredeti ütemterv számos tulajdonságát. A fentebb megfogalmazott speciális célfüggvények kiértékelésével kapott függvényértékeket – a korábban 3.4.7. fejezetben alkalmazott formalizmusnak megfelelıen – beillesztettem a modell OBJ_VAL objektumába a következı módon: OBJ_VAL.F[k] a k-adik célfüggvénynek a vizsgált termelési finomprogramra vonatkozó függvényértéke, k a célfüggvény sorszáma (k = 1,…, NK), OBJ_VAL.DF[dk] a dk-adik új célfüggvény – a vizsgált termelési finomprogram és az újraütemezés elıtt érvényes finomprogram eltérésének mértékét kifejezı – kiszámított értéke, dk az új célfüggvény sorszáma (dk = 1,…, NDK), Az új célfüggvényekhez tartozó aktuális fontosságot kifejezı prioritásértékek a korábbi célfüggvényekhez hasonló módon jelennek meg a modellben: F_Pri[k] a k-adik célfüggvény fontosságát kifejezı nemnegatív prioritásérték. DF_Pri[dk] a dk-adik új célfüggvény fontosságát kifejezı nemnegatív prioritásérték.
PHD ÉRTEKEZÉS
5.3.3.
70
Az újraütemezési feladat megoldása keresıalgoritmussal
Az új termelési finomprogram elkészítése az eredetileg érvényben lévı finomprogram végrehajtásából származó, az aktuális szituációt leíró finomprogramból kiindulva megfelelı módon végrehajtott elemi módosítások sorozatával elvégezhetı. Ennek köszönhetıen az elıidejő ütemezésre használt többcélú keresési technika az újraütemezési feladatok megoldására is használható. A keresıalgoritmus változtatás nélkül alkalmas lenne a még el nem indított munkák tervezett feladatainak módosítására, valamint az esetleg idıközben megjelenı új munkák feladatokra bontására, azonban a definiált feladatok gépenkénti sorrendjének meghatározása már további korlátfeltételek kielégítését követeli meg. Újraütemezéskor ugyanis figyelembe kell venni, hogy a kiindulási ütemtervnek a múltban bekövetkezett része, valamint az új ütemterv elkészítéséhez és indításához szükséges idıintervallumba esı része nem módosítható, ezáltal a gépeknek ezekbe az intervallumokba esı feladatait nem szabad a keresés során megváltoztatni. További korlátozások jelentkeznek a már megkezdett munkák kezelésével kapcsolatban is. Ennek az oka az, hogy az eredetileg végrehajtásra kiadott ütemterv elindításától az új ütemterv életbe lépéséig terjedı váratlan eseményekkel terhelt idıszakban végrehajtott vagy megkezdett gyártási feladatok aktuális állapota befolyásolja az érintett munkák és megrendelések el nem végzett feladataihoz hozzárendelhetı gépek körét. Az újraütemezés során emiatt a keresési folyamatban használt módosítóoperátorok mőködésével szemben támasztott – az elıidejő ütemezéskor a 4.4.2.3. fejezetben részletesen tárgyalt – hatékonysági és konzisztenciaelvárások betartása jelenti a legnagyobb kihívást.
5.3.3.1.
Zárolási technikák
Az újraütemezés sebességének növelése érdekében a tiltott módosítások elkerülését nem futásidıben kiértékelendı feltételek biztosítják, hanem – az elıidejő ütemezés koncepciójában is alkalmazott elveknek megfelelıen – az újraütemezés megkezdése elıtt feltérképezésre kerülnek a megengedett alternatívák, és ezek rendszerezett formában beépülnek a modell kapcsolatrendszerébe. Ezáltal a döntési helyzetekben a választható alternatívák között csak az új feltételeket is maradéktalanul kielégítı lehetıségek jelennek meg. Az ütemezési modellben a speciális újraütemezési korlátozások ilyen irányú kibıvítése hatékonyan megvalósítható zárolási technikák kombinált alkalmazásával. A szőkítı feltételek egyaránt vonatkozhatnak munkákra, megrendelésekre és gépekre is.
PHD ÉRTEKEZÉS
71
Munkák zárolása Az ütemezési modellben szereplı munka objektum attribútumainak kibıvítésével indokolt olyan hozzárendeléseket is megfogalmazni, amelyek lehetıvé teszik a munkák szintjén az alkalmazható gépek szőkített halmazának definiálását, és a nem módosítható feladatok leírását. Ennek érdekében az i (i =1,…, NJ) munkákhoz hozzárendelem a következı zárolást leíró attribútumokat: J[i].LFS a munka utolsó zárolt végrehajtási lépésének sorszáma. Nem zárolt munka esetén ennek értéke 0. J[i].FJ a munka zárolásának módját definiáló objektum (FREEZE_JOB): FJ.enabled_MG_M[mg][am] a zárolt munka teljesítésére használható gépek halmaza gépcsoportok szerint rendezve: mg =1,…, NMG; a gépcsoportok, am = 1,…, J[i].FJ.enabled_.MG_M[mg][0]; a használható párhuzamos gépek indexei. J[i].FJ.enabled_MG_M[mg][am] az i munka teljesítéséhez az mg gépcsoportból használható am-edik párhuzamos gép. FJ.enabled_R[ar] a szőkített gépállomány felhasználásával szervezhetı megengedett végrehajtási útvonalak. ar = 1,…, J[i].FJ.enabled_R[0]; a használható útvonalak indexei. J[i].FJ.enabled_R[ar] az i munka teljesítéséhez használható ar-edik végrehajtási útvonal. Megrendelések zárolása Mivel a zárolások a munkák szintjén egyértelmően definiáltak, ezáltal minden o (o =1,…, NO) megrendelés zárolt státusa a hozzá tartozó munkák státusából származtatható: O[o].FO ha az o megrendeléshez tartozó munkák között van zárolt, akkor értéke 1, ellenkezı esetben értéke 0. Ennek a mezınek a jelzésértéke fontos szerepet játszik az újraütemezés során, segítségével számos ismétlıdı feltételvizsgálat elkerülhetı a módosítóoperátorok mőködése közben. Gépek zárolása Az ütemezési feladat megoldása során elkészítendı új ütemterv szempontjából a gépeknek már teljesített feladatait, amelyeket az érvényben lévı ütemterv és a váratlan események együttesen határoztak meg, az újraütemezés során nem szabad módosítani. Így minden m (m =1,…, NM) gépen az adott idıszakra korábban beütemezett (befejezett vagy vérehajtás alatt álló) nem módosítható feladatok listája zárolás alá kerül, hozzárendelve a géphez a következı attribútumot: M[m].LFP az m gép végrehajtási sorában az utolsó zárolt feladat sorszáma. A zárolást végzı algoritmus Az újraütemezés megkezdésének idıpontja (RT) és a gyártásirányítási rendszer reakcióképességétıl függıen megválasztott, az újraütemezési feladat megoldására és az új ütemterv indításának elıkészítésre fordítható idıtartam (Tmax) együttesen – a 13.
PHD ÉRTEKEZÉS
72
ábrán vázolt módon – határozza meg a még érvényben lévı ütemterv zárolási idıpontját (FT). Az újraütemezés elkezdésének idıpontjában ezt az FT zárolási idıpontot felhasználva pontosan meghatározhatók az érintett munkák, megrendelések és gépek. Ezeket az adatokat felhasználva megfogalmazhatók a jövıre vonatkozó korlátozások. gép
Gantt-diagram
Mx … My … Mu … Mv
setup
setup setup
// Tmax: az elıírt idıkorlát Az újraütemezés kezdete: RT
idı
FT: a zárolt idıintervallum vége
13. ábra: Zárolási idıpont értelmezése (FT) Egy adott munka vizsgálatát, majd a feltételek kiértékelésétıl függıen – az érintett megrendeléssel együtt – történı zárolását, valamint ezek következtében kialakuló korlátozott alternatívarendszer feltérképezését a következı algoritmus végzi: void _S::freeze_job_order(int j, ORDER* O, JOB* J, MACHINE* M, long FT ) { int* enabled_R = J[j].FJ.enabled_R; int** enabled_MG_M = J[j].FJ.enabled_MG_M; enabled_R[0] = 0; J[j].LFS = 0; for (int mg = 1; mg<=N_MG; mg++) enabled_MG_M[mg][0] = 0; int order = J[j].OID; int route = J_T[j][0]; int nstep = R_MG[route][0]; int machine, position, step; int last_freeze_mg = 0; for (step = 1; step<= nstep; step++ ) { machine = J_T[j][step]; position = J_Tp[j][step]; if ( M_STET[machine][position].ST <= FT ) { O[order].FO = 1; last_freeze_mg = M[machine].ES; enabled_MG_M[ last_freeze_mg ][ 1 ] = machine; enabled_MG_M[ last_freeze_mg ][ 0 ] = 1; J[j].LFS = step; } } //folytatás a következı oldalon
PHD ÉRTEKEZÉS
73
if ( last_freeze_mg == 0 ) { for ( int r = O[order].R[0]; r >= 0; r--) //minden útvonal engedélyezett enabled_R[r] = O[order].R[r]; //nincs zárolás for ( int mg = 1, amg; mg <= N_MG; mg++ ) for ( amg = O[order].MG_M[mg][0]; amg>=0; amg--) enabled_MG_M[mg][amg] = O[order].MG_M[mg][amg]; } else { for ( int mg = 1, amg; mg <= N_MG; mg++ ) //van korlátozás if ( EndStep_of_MG( last_freeze_mg ) < StartStep_of_MG( mg ) ) for ( amg = O[order].MG_M[mg][0]; amg>=0; amg--) enabled_MG_M[mg][amg] = O[order].MG_M[mg][amg]; //megengedett útvonalalternatívák feltérképezése int nr = 0; int candidate_route; for (int pr=1, pr_ok=1, mg_ok=0; pr<=O[order].R[0]; pr++) { pr_ok = 1; candidate_route = O[order].R[pr]; for (int mg = 1; mg <= R_MG[ candidate_route ][0]; mg++) { if ( enabled_MG_M[ R_MG[candidate_route][mg] ][0] > 0) mg_ok = 1; else { mg_ok = 0; pr_ok = 0; break; } } if (pr_ok == 1) { nr++; enabled_R[0]=nr; enabled_R[nr]= candidate_route; } } } }
Az újraütemezés megkezdése elıtt a munkákra, megrendelésekre és gépekre vonatkozó zárolásokat a következı algoritmus végzi el:
PHD ÉRTEKEZÉS
74
void _S::freeze_jobs_orders_and_machines( ORDER* O, JOB* J, MACHINE* M, long FT ) { int examine_order; int examine_job; int examine_machine; int position; for (examine_order = 1; examine_order <= NO; examine_order++) O[examine_order].FO = 0; for (examine_job = 1; examine_job <= NJ; examine_job++) { J[examine_job].FJ = new FREEZE_JOB(O[J[examine_job].OID].MG_M); freeze_job_order(examine_job, O, J, M, FT); } for ( examine_machine = 1; examine_machine <= NM; examine_machine++) { M[examine_machine].LFP = 0; for (position = 1; position <= M_T[examine_machine][0]; position++) if ( M_STET[examine_machine][position].ST <= FT ) M[examine_machine].LFP = position; else break; } }
5.3.3.2.
Továbbfejlesztett szomszédsági operátorok
A zárolásokra alapozva az újraütemezés speciális korlátozásai betarthatók. Ebbıl az következik, hogy az elıidejő ütemezésre használt szomszédsági operátorok megfelelı továbbfejlesztésével a többcélú heurisztikus keresıalgoritmus képes az újraütemezési feladat megoldására. A továbbfejlesztett algoritmusokat a már ismertetett _S osztályhoz rendelt új metódusok formájában valósítottam meg: Zárolásokat nem sértı elemi mőveletek: • Paraméterben adott, részlegesen zárolt munka beillesztése részben zárolt környezetbe: void _S::random_value_for_i_FREEZE_job(int i, ORDER* O, JOB* J, MACHINE* M, _S* s_init) • Paraméterben adott zárolásmentes munka beillesztése részben zárolt környezetbe: void _S::random_value_for_i_job_in_FREEZE_env(int i, ORDER* O, JOB* J, MACHINE* M) • Paraméterben adott, részben zárolt géphez tartozó feladatsorrend megváltoztatása véletlen hosszú permutációciklus alkalmazásával: int _S::random_do_pi_seq_change_on_m_machine_FREEZE(int m, MACHINE* M) Ezeknek az újraütemezéshez használt elemi mőveleteknek az algoritmusait a 13.4. melléklet tartalmazza.
PHD ÉRTEKEZÉS
75
Módosítóoperátorok:
P1_FREEZE operátor: Kiemeli a paraméterében megadott munkát az ütemtervbıl, majd újra beilleszti egyenletes valószínőséggel véletlenszerően választott útvonal, gépek és pozíciók szerint az érvényben lévı zárolások megsértése nélkül. int _S:: P1_FREEZE(int job, ORDER* O, JOB* J, MACHINE* M, _S * s_init) { if ( J[job].LFS > 0 ) { remove_job_from_sch(job); random_value_for_i_FREEZE_job(job, O, J, M, s_init); } else { remove_job_from_sch(job); random_value_for_i_job_in_FREEZE_env(job, O, J, M); } return 1; }
P2_FREEZE operátor: A paraméterként megadott gépen megváltoztatja a munkák végrehajtási sorrendjét, hasonlóan az elıidejő ütemezés során használt P2 operátorhoz, azzal a különbséggel, hogy a géphez tartozó zárolt munkákat nem módosítja. int _S:: P2_FREEZE(int machine, MACHINE* M) { if ( random_do_pi_seq_change_on_m_machine_FREEZE(machine, M)==1 ) return 1; else return 0; }
P3_FREEZE operátor: Abban az esetben, ha a paraméterekben megadott mindkét munka zárolásmentes, a módosításra kijelölt (mod_job) munkát kiemeli az ütemtervbıl, majd beszúrja a második (fix_job) paraméterben referenciának tekintendı munka mögé, minden gépen rendre a közvetlenül azt követı pozícióba az elıidejő ütemezésnél (4.4.2.3. fejezetben) ismertetett P3 operátor alkalmazásával. int _S::P3_FREEZE(int fix_job, int mod_job, ORDER* O, JOB* J) { if ( J[fix_job].LFS == 0 && J[mod_job].LFS == 0) { P3(fix_job, mod_job); return 1; } return 0; }
PHD ÉRTEKEZÉS
76
P4_FREEZE operátor: A paraméterként megadott, módosításra kijelölt (order) megrendeléshez tartozó elsı munkát kiemeli az ütemtervbıl, majd újra beilleszti egyenletes valószínőséggel véletlenszerően választott útvonal, gépek és pozíciók szerint (P1_FREEZE operátor) a zárolások megsértése nélkül. Ezt követıen a megrendelés összes többi munkáját – mind a munkák, mind a gépek zárolását figyelembe véve – beszúrja az elsı munka mögé az elsı megengedett pozicióba. int _S::P4_FREEZE(int order, ORDER* O, JOB* J, MACHINE* M, _S * s_init) { int first_job = O[order].FJ; int next_job; -- P1_FREEZE( first_job, O, J, M, s_init) if ( O[order].NJ > 1 ) for ( next_job = first_job + O[order].NJ - 1; next_job > first_job; next_job--) if ( J[next_job].LFS > 0 ) { remove_job_from_sch(next_job); random_value_for_i_FREEZE_job(next_job, O, J, M, s_init); } else { if ( P3_FREEZE(first_job, next_job, O, J) == 0 ) { remove_job_from_sch(next_job); random_value_for_i_job_in_FREEZE_env(next_job, O, J, M); } } return 1; }
Szomszédsági operátorok:
N1_FREEZE operátor: Az ütemtervben szereplı rendelések közül egyenletes valószínőséggel véletlenszerően kiválaszt egy megrendelést. Kiemeli az ütemtervbıl a teljes megrendelést (a hozzá tartozó munkák összességét), majd a zárolásoktól függıen a lehetı legkisebb mértékő megbontással új helyre illeszti be. void _S::N1_FREEZE(ORDER* O, JOB* J, MACHINE* M, _S* s_init) { int order = 1 + random(NO); P4_FREEZE(order, O, J, M, s_init); }
PHD ÉRTEKEZÉS
77
N2_FREEZE operátor: Az ütemtervben szereplı határidıt túllépı rendelések közül egyenletes valószínőséggel véletlenszerően kiválaszt egy késı megrendelést. Az elızı operátorral azonos módon kiemeli az ütemtervbıl a teljes megrendelést, majd a zárolásoktól függıen a lehetı legkisebb mértékő megbontással új helyre illeszti be. void _S::N2_FREEZE(ORDER* O, JOB* J, MACHINE* M, _S* s_init, int n_of_latejob) { int job = random_select_latejob(O, J, n_of_latejob); int order = J[job].OID; P4_FREEZE(order, O, J, M, s_init); }
N3_FREEZE operátor: Két módosítást összevontan végrehajtó operátor, amely az érvényben lévı zárolások megsértése nélkül egyrészt adott munkát újraütemez, majd pedig adott gép feladataitnak sorrendjét rendezi át. void _S::N3_FREEZE(ORDER* O, JOB* J, MACHINE* M, _S* s_init, int n_of_latejob) { int job = random_select_latejob(O, J, n_of_latejob); P1_FREEZE(job, O, J, M, s_init); Int machine = 1 + random(NM); P2_FREEZE(machine, M); }
N4_FREEZE operátor: Az operátor mőködése megegyezik (N3_FREEZE) operátor elsı lépésével.
az elızı
void _S::N4_FREEZE(ORDER* O, JOB* J, MACHINE* M, _S* s_init, int n_of_latejob) { int job = random_select_latejob(O, J, n_of_latejob); P1_FREEZE(job, O, J, M, s_init); }
N5_FREEZE operátor: Az operátor mőködése hasonló az (N3_FREEZE) operátor mőködéséhez, a különbséget csak az jelenti, hogy itt az ütemtervben szereplı összes munka közül választ ki egy munkát módosításra. void _S::N5_FREEZE(ORDER* O, JOB* J, MACHINE* M, _S* s_init) { int job = 1 + random(NJ); P1_FREEZE(job, O, J, M, s_init); }
PHD ÉRTEKEZÉS
5.3.3.3.
78
Az újraütemezı algoritmus váza
Az újraütemezési feladat megoldása érdekében továbbfejlesztett többcélú heurisztikus keresıalgoritmus egyszerősített váza – az elızı fejezetekben bemutatott módszereket felhasználva – a következıképpen írható le: _S RESCH_SEARCH(SHOP& Shop_Before_Resch, SHOP& Shop_Released, int** MG_M, long freeze_time, int STEPS, int LOOPS, int min_LOOP, int MAX_LENGHT, int* Nx_operator_priority, int Nx_number) //aktuális állapot, tervezett állapot, gépcsoportok, zárolás idıpontja, lépések száma, iterációk max. száma, //a kötelezı iterációk száma, a tabulista elemeinek max. száma, operátorok prioritása, operátorok száma
{ _S s_init(Shop_Before_Resch.DSCH); //a gyártómőhely aktuális állapotát leíró termelési finomprogram ORDER O(Shop_Before_Resch.O); //az aktuális rendelések és azok attribútumai JOB J(Shop_Before_Resch.J); //az aktuális munkák és azok attribútumai MACHINE M(Shop_Before_Resch.M); //az erıforrások aktuális jellemzıi OBJ_VAL obj_val(Shop_Before_Resch.OBJ_VAL); //az aktuális állapotra vonatkozó célfüggvényértékek s_init.freeze_jobs_orders_and_machines( O, J, M, freeze_time); //munkák, rendelések, gépek zárolása _S s0(s_init); //kezdeti megoldást tároló objektum s0.calc_M_STET_ FREEZE(MG_M, O, J, M, s_init, freeze_time); //végrehajtás-szimuláció s0.calc_job_order_time_and_obj_value(obj_val, O, J); //idıadatok és célfüggvényekértékek számítása s0.calc_diff_obj_val(obj_val, O, J, s_init, Shop_Released.O, Shop_Released.J); //stabilitásmutatók //változásorientált újraütemezési célfüggvényértékek számítása
_S s_saved(s0); //a kiterjesztés kiinduló megoldása _S s_ext(s0); //a kiterjesztés legjobb megoldása OBJ_VAL obj_val_ext(obj_val); //a kiterjesztés legjobb megoldásának célfüggvényértékei _S s_best(s0); //a keresés során megtalált legjobb megoldás OBJ_VAL obj_val_best(obj_val); //a keresés során megtalát legjobb megoldás célfüggvényértékei TABULIST TabuList(NULL); //korábban kiértékelt, tiltott megoldások listája int used_operator; //az aktuális kiterjesztésben a legjobb szomszédot elıállító operátor int Nx_selected_operator; //a használatra kijelölt operátor Nx_total = new long[Nx_number+1]; //a szomszédsági operátorok kiválasztásának számértékei Nx_improve = new long[Nx_number+1]; //a szomszédsági operátorok által megnyert kiterjesztések száma for (int n = 0; n <= Nx_number; n++) //a szomszédsági operátorokhoz tartozó kezdıértékek megadása Nx_total[n] = Nx_improve[n] = 0; for(int step = 1; step <= STEPS; step++) //a keresés lépésenkénti végrehajtása { if ( Scheduling_stop() == true ) break; //leállás: idıkorlát elérése/ nincs javulás/ felhasználói akció for (int ext = 1; ext <= LOOPS; ext++ ) //kiterjesztés: adott lépéshez tartozó szomszédság vizsgálata { s0 = s_saved; //az aktuális kiterjesztés kiindulási megdoldásának (bázis) betöltése Nx_selected_operator = select_Nx_operator( Nx_number, Nx_operator_priority ); //kiválsztás s0.perturb_FREEZE( Nx_selected_operator ); //a szomszédos megoldás elkészítése //a kiválasztott operátor alklamazásával
if ( TabuList.does_TL_include( s0 ) ) continue; //tiltott megoldás esetén új szomszédot készít else { TABU* newtabu = new TABU( s0 ); //az aktuális megoldás kódolása TabuList.add_new_TABU_into_startpos(newtabu); //felvétel a tabulista elejére if (TabuList.Get_N_of_TABU() > MAX_LENGHT) //a tabulista méretétıl függıen TabuList.delete_TABU_from_lastpos(); //a legkorábban felvett tabu törlése } //folytatás a következı oldalon
PHD ÉRTEKEZÉS
79
//feladatok végrehajtásának szimulációja, az dıadatok, a célfüggvényekértékek és a stabilitásmutatók számítása
s0.calc_M_STET_ FREEZE(MG_M, O, J, M, s_init, freeze_time); s0.calc_job_end_time_and_obj_value(obj_value, O, J); s0.calc_diff_obj_val(obj_val, O, J, s_init, Shop_Released.O, Shop_Released.J); if ( ext == 1 ) //az aktuális kiterjesztés elsı megoldása { obj_value_ext = obj_value; //a megoldáshoz tartozó célfüggvény-értékek másolása s_ext = s0; //az aktuális kiterjesztés legjobb megoldása used_operator = Nx_selected_operator; //a legjobb megoldást elıállító operátor megjegyzése } else { if ( obj_value_ext > obj_value ) //az aktuális megoldása jobb mint { //a kiterjesztés során eddig megtalált legjobb megoldás obj_value_ext = obj_value; //a megoldáshoz tartozó célfüggvény-értékek másolása s_ext = s0; //az aktuális kiterjesztés legjobb megoldásának megjegyzése used_operator = Nx_selected_operator; //a megoldást elıállító operátor megjegyzése if ( ext > min_LOOP && obj_value_ext < obj_value_best ) break; } //adott számú iteráció után bejezıdhet a kiterjesztés ha az eddigi legjobb megoldástól is jobbat talált } } s_saved = s_ext; //a kiterjesztés legjobb megoldása lesz a következı kiterjesztés bázisa Nx_total[ used_operator ]++; //a kiterjesztést megnyerı operátor gyızelmeinek növelése Nx_total[ 0 ]++; //az összegzett gyızelmek számának növelése if ( obj_value_ext <= obj_value_best ) //az aktuális kiterjesztés legjobb megoldása legalább olyan jó { //mint a keresés során megtalált eddigi legjobb megoldás obj_value_best = obj_value_ext; //a megoldáshoz tartozó célfüggvény-értékek másolása s_best = s_ext; //a legjobb megoldás megjegyzése Nx_improve[ used_operator ]++; //a legjobb megoldást adó operátor jutalmazása Nx_improve[ 0 ]++; //a javítások összesített számának növelése } Actualize_priority(Nx_operator_priority, Nx_improve, Nx_total); //az operátorok értékelése } delete [] Nx_total; delete [] Nx_improve;
//lokális változók megszüntetése
return s_best; }
//megtalált legjobb megoldás
A bemutattott koncepciót felhasználva a kiterjesztett EFFS modellel hatékonyan kezelhetık mind az elıidejő termelésprogramozási, mind az újraütemezési feladatok. Az általánosított probléma megoldására kifejlesztett új szemlélető integrált módszer végrehajtás-szimulációra alapozott problématér-transzformációval, heurisztikus (elıkészítı, rendszerezı) algoritmusok valamint többcélú keresési technika kombinált alkalmazásával egyidejőleg támogatja a rendelések bontására és/vagy egyesítésére, a gyártási sorozatnagyságok dinamikus meghatározására, a technológiai alternatívák kezelésére, a gépi erıforrások allokálására, a gyártási feladatok definiálására és azok végrehajtásának idıbeli ütemezésére vonatkozó döntéseket.
PHD ÉRTEKEZÉS
80
6. TERMELÉSPROGRAMOZÓ SZOFTVER
6.1.
Az integrált termelésprogramozó szoftver koncepciója
A rugalmas tömeggyártásban fellépı mőhelyszintő termelésirányítási feladatok esetében a hagyományos MES alkalmazások az igények egy részét nem tudják maradék nélkül kielégíteni [68], [69], [70], [88]. A gyártásirányítás hatékonysága nagymértékben növelhetı valós idejő visszacsatolt szabályozás megvalósításával. Ennek érrdekében szükség van a tervezett (ütemezett) és a tényleges termelésirendszer-állapot ismételt összevetésére, értékelésére és indokolt esetben korrekciós beavatkozások kezdeményezésére. A kívánt állapotot a mindenkor érvényes termelési finomprogram (a hozzá tartozó specifikációkkal és egyéb információkkal együtt: SHOP) képviseli, amely a termelés teljesítményét mérı mutatók elıidejő optimalizálásával készült. Az éles finomprogram valós termelési teljesítményét mérı mutatók a MES termeléskövetı komponensébıl visszacsatolhatók és összevethetık a tervezettekkel. A termelési folyamat további jövıbeli alakulására vonatkozó becsült menedzsermutatók kellıen gyors termelésifolyamat-szimulátorral számíthatók. Az értékelés egyik lehetséges következményeként a hatékony beavatkozás érdekében újraütemezésre kerülhet sor, amelyet a termelésprogramozó szoftver automata megoldómotorja és/vagy annak interaktív kézi beavatkozást biztosító szolgáltatásrendszere támogathat. A mőhelyszintő viselkedésalapú termelésifolyamat-szabályozás megvalósításához tehát szükséges, hogy a termeléspropgramozó szoftver megfeleljen a vele szemben támasztott funkcionális elvárásoknak. Ezek közül a legfontosabbak a következık: • A termelési finomprogram végrehajtás-szimulációjának és értékelésének megvalósítása. • Gyártási rendszerállapotok összehasonlítása. • Termelési szituációk összehasonlító elemzése. • Ütemezési és újraütemezési feladatok hatákony megoldása. • Lehetséges és megengedett felhasználói beavatkozások támogatása. • MES rendszerbe történı beágyazás biztosítása. A bemutatott koncepciónak megfelelıen, a megfogalmazott szempontok figyelembevételével objektumoritentált paradigmát követve megterveztem és megvalósítottam a javasolt termelésprogramozó szoftver egy olyan prototípusát, amely rugalmasan konfigurálható és bıvíthetı modulokból épül fel, ennek köszönhetıen a
PHD ÉRTEKEZÉS
81
szolgáltatások rendszere az aktuális (gyári körülményeket tükrözı) igényeknek megfelelıen testreszabható, kiterjeszthetı pl. a termelési folyamat szimulációja, az optimalizálási célfüggvénykészlet, az összevethetı termelési adatok rendszere stb. tekintetében.
6.2.
A megvalósított termelésprogramozó szoftver
A kidolgozott EFFS ütemezési modell, valamint a kifejlesztett megoldási módszerek és algoritmusok felhasználásával megterveztem és C++ Builder szoftverfejlesztı környezetben objektumorientált módon megvalósítottam a többfunkciós integrált ütemezı és újraütemezı szoftver prototípusát.
6.2.1. 6.2.1.1.
Az alkalmazott szoftvertechnológia Objektumorientált szoftverfejlesztés
A vizsgált termelésprogramozási probléma megfogalmazását, modellezését és a megoldási módszerek kifejlesztését objektumorientált módszertan felhasználásával végeztem el. Ennek köszönhetıen a kifejlesztett rendszer modellje együttmőködı objektumokból épül fel. A tervezés és az implementáció során olyan programegységeket alakítottam ki, amelyek alkalmasak az objektumok megvalósítására. A koncepció feltevése, hogy az elıidejő termelési finomprogramozás (ütemezés) és a viselkedés alapú korrekciós újraütemezés modelljének objektumai nagyrészt azonosak. Az objektum a rendszermodell egyedileg azonosítható szereplıje, amely a belsı szerkezetével, állapotával és viselkedésével jellemezhetı. Az objektum egységbe zárja az aktuális állapotát tároló adatokat (adattag vagy attribútum) és azok szerkezetét, valamint a rajtuk végrehajtható – az objektum viselkedését meghatározó – mőveleteket (tagfüggvények vagy metódusok). Az objektumnak a renszerben meghatározott szerepköre van. Az objektumok egyrészt közvetlen üzeneteken keresztül kommunikálnak egymással. Minden objektum az üzenetek egy meghatározott készletét képes elfogadni és értelmezni. Az elküldött üzenet (név, paraméterek) által hordozott információ vezérlı jellegénél fogva a fogadó objektumnak különbözı reakcióit váltja ki. Az objektumok kommunikációjának másik eszköze az esemény, amely azonosítható, pillanatszerő történést jelent. Hasonlóan az üzenetekhez a név statikus, a paraméterek dinamikus információt hordoznak. A paraméterek leírják az azonosított esemény bekövetkezésének körülményeit. Az eseményeket objektumok idıbeli viselkedése hozza létre, majd a környezet gondoskodik arról, hogy más objektumok értesüljenek az esemény megtörténtérıl és hozzájussanak az esemény paramétereihez.
PHD ÉRTEKEZÉS
82
Egy objektum a hozzá érkezı üzenet hatására vagy egy esemény bekövetkezésének hatására valamilyen cselekvést hajt végre. Az objektum viselkedésének pontos leírása, implementációja a metódusainak kódjában található. Az objektum azonos tartalmú üzenetekre eltérıen képes reagálni aktuális állapotától függıen. Az objektum viselkedését tehát attributumai átal hordozott állapotinformációi determinálják és ezek az objektum élete során változhatnak. A megegyezı viselkedéső és struktúrájú objektumok egy közös osztályba tartoznak, ezáltal egy adott objektum az ıt definiáló osztálynak egy adott példánya. Az objektumorientált szemlélet láthatóan hatékonyan alkalmazható a különbözı MES funkciók, így az elıidejő (prediktív) tervezés és a korrekciós (proaktív) újraütemezés támogatására.
6.2.1.2.
Programozási nyelv és fejlesztıi környezet
Az imlementáció elkészítésére a C++ programozási nyelvet használtam, amely nyelvi szinten kiválóan támogatja az objektumorientált paradigma alkalmazását a programozói lehetıségek jelentıs mértékő korlátozása nélkül. A nyelv specifikációjának köszönhetıen rugalmas, tömör, magasszintő, hatékony forráskódkód, valamint a rendelkezésre álló fordítóprogramok segítségével futásidıben gyors program hozható létre. A termelésprogramozó szoftver elkészítéséhez a Borland C++ fejlesztıi környezet 5.0 verzióját használtam. Ez az integrált fejlesztıi környezet rendelkezik kétutas erıforrásszerkesztıvel. Ennek segítségével a grafikus felhasználói interfész egyrészt grafikus tervezıfelület használatával, másrészt közvetlen forrásszerkesztı szolgáltatások segítségével kombinált módon az elıre gyártott komponensek felhasználásával, valamint meglévı elemek továbbfejlesztésével egyszerően megvalósítható. A Borland C++ hatékony eszközökkel támogatja az objektumorientált szoftverfejlesztést. Számos hasznos funkció menürendszer, eszköztárak segítségével elérhetı, a forráskód strukturális vázának elkészítését beépített varázslók segítségével is támogatja. A hibakeresésre szintén hatékony módszereket biztosít.
6.2.2. 6.2.2.1.
A termelésprogramozó szoftver strukturális felépítése Funkcionális modell
A kifejlesztett termelésprogramozó mintarendszer jelenlegi verziója önálló alkalmazásként virtuális környezetben mőködik. A szoftver a mőködéshez szükséges bemeneti (input) adatokat adatbázisból vagy lokális fájlokból tudja kiolvasni. A fejlesztéshez szükség volt egy paraméterezhetı problémagenerátor létrohozására, valamint váratlan események hatását leíró modul megvalósítására is.
PHD ÉRTEKEZÉS
83
A keretrendszernek a felhasználó által elérhetı funkciói a következık: • input adatok megadása/megtekintése, • célfüggvények és prioritások kezelése, • ütemezési paraméterek kezelése, • elıidejő termelésütemezés, • korrekciós újraütemezés, • tervezett és tényleges állapotok összehasonlítása, • termelési finomprogramok szerkesztése/módosítása (kézi ütemezés), • eredmények, diagramok, jelentések létrehozása és megtekintése, • termelési finomprogramok mentése/végrehajtás indítása, • tesztfeladatok készítése, • váratlan események generálása (valós környezetben az utolsó két funkcióra nincs szükség). Az alkalmazás funkcionális modelljét és a termelésinformatikai rendszerben betöltött szerepét a 14. ábra vázolja.
14. ábra: Integrált termelésprogramozó szoftver funkcionális kapcsolatai A szoftver a termelés elıidejő tervezésére, ütemezésére valamint a termelési finomprogram idıközbeni korrekciós újratervezésére (a bizonytalanságokból és zavarokból keletkezı hibák elhárítására, csökkentésére) közös és többcélú funkcionális komponenseket használ. Ezek a következık: • többfunkciós paraméterkezelı, • modellépítı komponens, • ütemezı és újraütemezı megoldómotor (interaktív grafikus felülettel a felhasználói beavatkozás támogatására), • termelésifolyamat-szimulátor, • terljesítményértékelı komponens.
PHD ÉRTEKEZÉS
84
Az integrált ütemezı és újraütemezı szoftver funkcionális komponenseinek feladata és a rendszerben betöltött szerepe az 4.14. fejezetben a megoldási módszer kifejtése során részletesen bemutatásra került.
6.2.2.2.
Architekturális modell
A megvalósított szoftver együttmőködı dinamikus és statikus objektumok rendszeréként mőködik. A termelési finomprogramot elıállító objektumok dinamikusak, futási idıben keletkeznek a bemenı adatokban szereplı kódolt információ feldolgozása során, valamint az ütemezési folyamat közben. A tervezés során kiemelkedıen fontos szempont volt, hogy az ütemezı algoritmusnak a futási idı szempontjából kritikus szakaszában (ciklusban végrehajtott módosítás, szimuláció, kiértékelés) a lehetı legkevesebb új objektum keletkezzen. Ilyen esetekben ugyanis a nélkülözhetetlen memórifoglalások következtében a végrehatás meglehetısen lelassulhat. A legfontosabb objektumok attribútumait és azok kapcsolatrandszerét a 3.4 fejezetben részletesen bemutattam. Az architekturális tervezés során a különbözı objektumtípusokat adattagjaik és tagfüggvényeik együttesével definiálva önálló osztályként valósítottam meg. A legfontosabb osztályok a következık: • Termék – PRODUCT. • Rendelés – ORDER. • Munka – JOB. • Gép – MACHINE. • Termelési finomprogram – _S. • Minısítı elem (célfüggvényértékek együttese) – OBJ_VAL. • Gyártórendszer – SHOP. A szoftverben alkalmazott számos objektumra programozástechnikai szempontból van szükség, ezek támogatják a kommunikációt és a számítógépi megjelenítést. Ilyen segédobjektumok például az alkalmazásobjektum (applikáció), mely a szoftver keretét adja, a felhasználói interfész objektumai (pl. ablakok, vezérlıelemek), az adatbázis-kezelı objektumok, a fájlkezelı objektumok és egyéb segédobjektumok. A termelésprogramozó szoftverben felhasznált osztályok részletes bemutatására terjedelmi okokból nem térek ki.
6.2.2.3.
Interfészek
A termelésprogramozó szoftver alapvetıen három különbözı interfészt használ. Ezek a következık: • Adatbázis-kezelı interfész, • fájlkezelı interfész, • grafikus felhasználói interfész.
PHD ÉRTEKEZÉS
85
A termelésprogramozó szoftvernek valós környezetbe történı integrálását legegyszerőbben adatbázis-kapcsolatokon keresztül lehet megvalósítani. A jelenlegi szoftververzió relációs adatbázisokat kezelı objektumokon keresztül képes alapvetı tranzakciók (pl. táblakezelés, SQL lekérdezés) megvalósítására. Erre a célra az BDE (Borland Database Engine) objektumait használtam fel. Az értekezésemhez mellékelt szoftververziónak az input tesztadatokat szabványos szöveges (text) fájlformátumban kell megadni. Az eredményként elkészített termelési finomprogramot a hozzá tartozó információkkal együtt, a különbözı jelentéseket valamint a naplózási és egyéb beállítási adatokat szöveges fájlba menti el. A fájlkezelés nyelvi szinten az fstream.h header fájl osztályainak felhasználásával készített objektumokon keresztül valósul meg. A szoftvereszköz fejlesztésekor a VCL (Visual Component Library) osztálykönyvtárat használtam. Az abban definiált osztályokból származnak öröklıdéssel többek között a Windows operációs rendszeren történı futtatáshoz szükséges alapverı objektumok (pl. ablakok, kijelzıelemek, vezérlıelemek, egyéb grafikus objektumok). A felhasználói interfész részletes bemutatására a következı fejezetben kerül sor.
6.2.3. 6.2.3.1.
A szoftver szolgáltatásai Felhasználói felület
A kezelıi felület kialakításakor arra törekedtem, hogy a termelésprogramozó szoftver egyszerően kezelhetı legyen, ugyanakkor a felhasználó számára a lehetı legnagyobb mértékő beavatkozást tegye lehetıvé, továbbá hatékony operációkészlettel támogassa a beavatkozások megvalósítását és a döntések meghozatalát. Az alkalmazás nyitóablakának fımenüjébıl indítható el az elıidejő ütemezı, az újraütemezı és a tesztprobléma-generátor (15. ábra).
15. ábra: A nyitóablak legfontosabb menüpontjai
PHD ÉRTEKEZÉS
86
Az elıidejő ütemezı ablaka a 16. ábrán látható. Innen érhetık el a következı funkciók: 1. az input adatok betöltése (erıforráskörnyezet, megrendelések), 2. az input adatok megtekintése, 3. aktuális prioritásértékek hozzárendelése a célfüggvényekhez, 4. kezdeti megoldást adó heurisztikus módszer indítása, 5. a használni kívánt megoldómódszer kiválasztása, 6. kezdeti prioritásértékek hozzárendelése a keresıoperátorokhoz, 7. a keresési paraméterek beállítása (a megengedett lépészám, a kiterjesztések és a a tabulista elemszámának maximumai), 8. a megoldási módszerek tesztelésének, értékelésének és vizsgálatának indítása, 9. eredmények megtekintése.
16. ábra: Az ütemezı ablaka
17. ábra: Kezdeti megoldást készítı heurisztikus módszerek
PHD ÉRTEKEZÉS
87
A Create Starting Schedule nyomógomb segítségével érhetı el a kezdeti megoldás elıállítását vezérlı dialógusablak (17.ábra). Az Initializing lista mutatja a rendelkezésre álló heurisztikus algoritmusokat. A Generate Schedule nyomógombbal indítható el a kiválasztott módszer. A ütemezı fıablakának (Production Scheduler) Detailes nyomógombja nyitja meg a célfüggvények prioritásainak beállítására szolgáló Objective functions ablakot (18. ábra).
18. ábra: Ütemezési célok aktuális fontosságának beállítása Az ütemezı fıablakának Method listájában szerepelnek a kezdeti ütemterv iteratív javítására használható keresıalgoritmusok, algoritmusváltozatok és egyéb módszerek. A kiválasztott módszer aktuális paraméterei beállíthatók a Generate Schedule csoportosítópanelen elhelyezett vezérlıelemekkel. A Search operators nyomógomb megnyomásával érhetı el a keresıoperátorok prioritásainak beállítására szolgáló Searching operators ablak (19. ábra).
19. ábra: A szomszédsági operátorok prioritásértékei A fıablak Run nyomógombja indítja el a megoldási folyamatot. Ennek a felhasználó által történı folyamatos nyomonkövetését és aktív vezérlését a 20. ábrán látható eszközök támogatják. A Generating Schedule ablakban láthatók a keresési folyamat állapotát jellemzı idı- és lépésszámértékek, a keresési folyamat során
PHD ÉRTEKEZÉS
88
megtalált legjobb megoldás célfüggvényértékei és a keresési paraméterek. A Results ablakban (nagyítható, testreszabható diagram formájában) a célfüggvényértékek grafikonjai láthatók a megtett lépések számának függvényében. Az Objective functions és a Searching operators ablakok vezérlıelemeinek segítségével a felhasználó a keresési folyamat közben változtathatja a prioritásértékeket.
20. ábra: Az ütemezı mőködésének vezérlésére szolgáló eszközök A (heurisztikus algoritmussal, vagy keresıalgoritmussal) elkészített termelési finomprogram részletei, valamint annak várható teljesítményét jelzı célfüggvényértékek, mutatószámok, diagramok és táblázatok a Schedule Performance ablak (21. ábra) eszközeinek segítségével vizsgálhatók és szerkeszthetık. A Performance panelen láthatók a célfüggvények értékei. Az ütemezési folyamatot jellemzı információk a Show Results nyomógomb megnyomására jelennek meg. A termelési finomprogram részleteinek tanulmányozását munka-, gép- és megrendelésorientált Gantt-diagramok valamint gépkihasználtsági diagramok és egyéb számított értékek segítik (22. és 23. ábra). A diagramok tetszılegesen nagyíthatók, kicsinyíthetık, tartalmuk mozgatható és léptethetı. A megjelenı adatok szelektálhatók, elrejthetık. A tájékozódást a feliratok és a térhatású megjelenítıeszközök, valamint az elıredefiniált és testreszabható színsémák tovább segítik.
PHD ÉRTEKEZÉS
89
21. ábra: Értékelést és szerkesztést támogató szolgáltatások
22. ábra: Tervezett menedzsermutatók
PHD ÉRTEKEZÉS
90
23. ábra: Gépkihasználtsági mutatók diagramja A felhasználó számára a szoftver elıredefiniált szerkesztési mőveleteket, interaktív operációkészletet biztosít (24. ábra). Ezeket az eszközöket a Scheduling performance ablak Modify schedule nyomógombjával lehet aktiválni. A vezérlıeszközök alkalmasak a termelési finomprogram konzisztens módosítására (hozzárendelési, sorrendi módosítások) és a megjelenítés vezérlésére is (módosítás nélkül a kiválasztott elemekre fókuszált megjelenítéssel). A vezérlıeszközök kölcsönkapcsolatban állnak egymással és a kijelzésre használt objektumokkal, bármelyik állapotának megváltoztatása a többi vezérlı aktualizálását vonja maga után. Az operációkészlet csak megengedett (kemény korlátozásokat nem sértı) mőveletek végrehajtását teszi lehetıvé. Az elvégzett mőveletek hatása az ablak eredménykijelzı objektumain (a háttérben futó szimulációs és kiértékelı taszkoknak köszönhetıen) azonnal látható.
24. ábra: A termelési finomprogram kézi szerkesztését támogató operációkészlet
PHD ÉRTEKEZÉS
91
Néhány alapvetı mővelet a következı: • A kiválasztott megrendelés (Order) munkáinak végrehajtására vonatkozó döntések megtekintése, módosítása. A kiválasztott munka végrehajtását elıíró adatok átvétele az érintett megrendelés egy másik munkájától. • A kiválasztott munka (Job) gyártási feladatokra történı bontása, a végrehajtására vonatkozó adatok megtekintése, módosítása. A végrehatási útvonal (Execution Route) közvetlen beállítása/megváltoztatása a megengedett útvonalak listájából egy konkrét útvonal kiválasztásával (gyártási feladatokra bontás). Az adott munka kiválasztott gyártási feladatának konkrét géphez rendelése/áthelyezése a rendelkezésre álló megengedett párhuzamos gépek közül egy konkrét gép kijelölésével. • A kiválasztott gépen (Machine) a gyártási feladatok sorrendjének szerkesztése. Egyetlen vagy több munka egyidejő kiválasztása módosításra egérmőveletekkel és/vagy lekérdezéssel (Sel.Prod, Sel.Order, Unselect). Kiválasztott munka (munkák) elıre/hátra léptetése a végrehajtási sorban (Up/Down). Kiválsztott munka (munkák) mozgatása a lista elejére/végére (Top/Bottom). Kiválasztott munkák összekapcsolása (Join). A végrehajtási sorban lévı munkáknak a gépbeállítás-típusoktól függı rendezése (Build batch). • Az aktuális tervezési, szerkesztési állapotnak megfelelı termelési finomprogram mentése/visszatöltése (Export/Import). • A végrehajtott módosítások visszavonása/ismételt végrehajtása (Undo/Redo). Az elkészített termelési finomprogram a Release schedule gomb megnyomásával élesíthetı, elküldhetı végrehajtásra (az értekezéshez mellékelt verzióban ez a mővelet fájlba írást eredményez).
PHD ÉRTEKEZÉS
92
25. ábra: Az újraütemezı ablaka Az újraütemezési funkció a szoftver nyitóablakának Rescheduler menüpontján keresztül érhetı el, ennek felhasználói felülete a 25. ábrán látható. Ezen keresztül érhetık el a következı szolgáltatások: 1. az input adatok betöltése (a gyártórendszer aktuális állapota, a tervezett termelési finomprogram a hozzátartozó adatokkal), 2. a gyártórendszer állapotának megtekintése, változások, váratlan események és zavarok kezelése, 3. aktuális prioritásértékek hozzárendelése a célfüggvényekhez és a speciális újraütemezési célfüggvényekhez, 4. a használni kívánt megoldómódszer kiválasztása, 5. kezdeti prioritásértékek hozzárendelése a keresıoperátorokhoz, 6. a keresési paraméterek beállítása (max. lépészám, kiterjesztés, tabulista elemszáma) 7. zárolási idıpont beállítása, 8. zárolási stratégia kiválasztása, 9. a kezdeti megoldás (zárolt aktuális állapot) megtekintése. A termelési folyamat állapota tényleges üzemi körülmények között a MES rendszerbıl, a rendelésekre vonatkozó információk az ERP rendszerbıl adatbáziskapcsolaton keresztül visszacsatolhatók a termelésprogramozó szoftverbe. A fejlesztés során ezek hiányában a szoftvert virtuális környezetben teszteltem, a változások elıidézésére felhasználói felületet dolgoztam ki. Az input adatok betöltését követıen a felhasználó megtekintheti a gyártórendszer gépeit funkcionális gépcsoportokba szervezett elrendezésben (26. ábra), megváltoztathatja a gépek egyes tulajdonságait (27. ábra), valamint módosíthatja a megrendelések bizonyos attribútumait (28. ábra). Ezek a megvalósított funkciók a szimulációs szolgáltatásokkal együtt lehetıvé teszik, hogy ténylegesen még be nem következett, de már elıjelekbıl kikövetkeztethetı események bekövetkezésének várható hatása elemezhetıvé váljon.
PHD ÉRTEKEZÉS
93
26. ábra: Gépek és gépcsoportok megtekintése
27. ábra: Gépek attribútumainak megtekintése/megváltoztatása
PHD ÉRTEKEZÉS
94
28. ábra: Megrendelések attribútumainak megtekintése/megváltoztatása A felhasználó a gyártási folyamat aktuális állapotát és annak következményeit (a korábban bemutatott Schedule Performance ablak eszközeinek felhasználásával) összevetheti az elızetesen megtervezettel, melynek eredményeként korrekciós újraütemezést kezdeményezhet.
29. ábra: Újraütemezési szituáció átmeneti gépkiesések következtében
PHD ÉRTEKEZÉS
95
A 29. ábra például egy olyan szituációt mutat, amely közel egyidıben fellépı különbözı váratlan események (M1 gép átmeneti meghibásodása, M2 sebességének lecsökkenése, M3 gép munkarendjének változása) miatt következett be. A Ganttdiagramban minden gép esetében látható a tényleges állapot és annak várható következménye (felsı sor), valamint a tervezett tevékenységsorozat (alsó sor). Az újraütemezés megkezdése elıtt a felhasználó az aktuális céloknak megfelelıen beállíthatja a célfüggvények prioritásait (30.ábra), az ütemezési paramétereket és a keresıoperátorok prioritásait.
30. ábra: Az ütemezési és újraütemezési célfüggvények prioritásértékei
31. ábra: Az újraütemezı mőködésének vezérlésére szolgáló eszközök A megoldási folyamat vezérlésére és az eredmények megtekintésére az elıidejő ütemezésnél leírt eszközök állnak a felhasználó rendelkezésére. Ekkor azonban ezek
PHD ÉRTEKEZÉS
96
hatásköre kiterjed a speciális újraütemezési célok (változásorientált célfüggvények) és a korlátozások (zárolás, speciális keresıoperátorok) kezelésére (31. ábra).
6.2.3.2.
Üzemmódok
A kifejlesztett szoftver alapvetıen háromféle mőködési módot támogat: 1. Automata üzemmód. 2. Kézi üzemmód. 3. Kombinált (félautomata hibrid) üzemmód. A szoftver automata üzemmódban az input alapadatok ismeretében felhasználói beavatkozás nélkül – a megadott paraméterek figyelembevételével – képes elkészíteni az új termelési finomprogramot. Elıidejő ütemezési feladat megoldása során heurisztikus szabályok alapján készít egy kiindulási ütemtervet, majd keresıalgoritmussal javítja a megoldást a leállási feltétel teljesüléséig (4. fejezet). Újraütemezési feladat megoldása során az aktuális állapotnak megfelelıen készít egy kiindulási ütemtervet, a megadott paraméterek szerint elvégzi a szükséges zárolásokat, majd az aktuális céloknak megfelelı új termelési finomprogramot keresıalgoritmussal állítja elı (5. fejezet). Az alkalmazás rendelkezik olyan felhasználói felülettel, amelynek segítségével az ütemezést végzı felhasználó készítheti el az ütemtervet. Az ütemezés során minden munkához a felhasználó rendelheti hozzá annak végrehajtási útvonalát, majd kiválaszthatja a megfelelı gépet az útvonal minden egyes végrehajtási lépésének megfelelı gépcsoportból. Meghatározhatja továbbá a gépeken az egyes munkák sorrendjét. A döntéshozatal vonatkozhat egyetlen munkára, vagy a munkák egy csoportjára, vagy akár teljes megrendelésekre is. A rendszer megjeleníti az egyes döntési helyzetekben a lehetséges alternatívákat, és ezekbıl a felhasználó választja ki, melyiket kívánja használni. A rendszer valós idıben számítja ki és megjeleníti meg az ütemtervben szereplı megrendelések, munkák, gépek adatait, valamint a teljes ütemtervet jellemzı célfüggvények, egyéb menedzsermutatók értékeit. A hibrid ütemezés a kézi és az automatikus ütemezési mód kombinációját jelenti. A felhasználó dönti el, hogy a kiindulási ütemterv hogyan jön létre: kézi ütemezéssel készíti el, heurisztikus szabályok kiválasztása után az automata ütemezı hozza létre, vagy e kettı kombinációjából származzon. Ezt követıen a felhasználó beállítja a paramétereket és elindítja az automatikus ütemezést. Az erre a célra kifejlesztett felületen keresztül nyomon követi a megoldási folyamatot, közben bármikor aktívan beavatkozhat az ütemezés menetébe a prioritások és paraméterek futás közben történı megváltoztatásával. Megszakíthatja a keresési folyamatot, módosításokat végezhet az ütemtervben, megváltoztathatja az ütemezési paramétereket, továbbfuttathatja a keresést. A megvalósított szoftver tehát automata, kézi és kombinált üzemmódban, a termelési célfüggvények és mutatók számításával, részletes és áttekinthetı grafikus diagramok, táblázatos jelentések készítésével támogatja a gyártásirányító döntéshozást. Fontos jellemzıje az alkalmazásnak, hogy megrendelés-, munka-, feladat- és gépszintő konzisztens beavatkozást biztosító interaktív operációkészlettel támogatja a felhasználót az ütemezési és újraütemezési feladatok megoldásában.
PHD ÉRTEKEZÉS
97
7. ÚJ TUDOMÁNYOS EREDMÉNYEK
1. tézis:
Új, kiterjesztett rugalmas Flow Shop ütemezési modell és annak számítógépi reprezentációja.
Ismeretes, hogy a diszkrét termelési folyamatok mőhelyszintő prediktív ütemezése mind elméleti, mind gyakorlati szempontból az erısen modellfüggı és komplex feladatok körébe tartozik. A klasszikus „Flow Shop” ütemezési feladat formális modellje egy hármassal jellemezhetı: ( M , J , f ) ahol M az erıforrások, J a munkák és f az irányítási célok leírása. Ebben a modellben az optimális ütemterv elıállítása már a klasszikus egyutas, elızésmentes esetre is NP-teljes feladat. A napjaink ipari gyakorlatában egyre fontosabbá váló, rugalmas és igény szerinti tömeggyártás irányítása szükségessé teszi az ismert ütemezési modellek további jelentıs kiterjesztését.
Kidolgoztam egy új, kiterjesztett ütemezési feladatosztályt (Extended Flexible Flow Shop, EFFS) és annak számítógépi reprezentációját a rövid távú, mőhelyszintő termelésprogramozási feladatok modellezésére, figyelembe véve az igény szerinti tömeggyártás legfontosabb általános jellemzıit és követelményeit. Az új, kiterjesztett modellt a következık jellemzik: 1.1 Egyszerre jelennek meg benne: (1) több mővelet együttes végrehajtására képes összetett gépek (gépsorok), (2) párhuzamos gépekbıl funkciók szerint szervezett gépcsoportok, (3) terméktípustól függı végrehajtásiútvonal-alternatívák, (4) géptıl és terméktıl függı termelési intenzitások, (5) géptıl függı változó rendelkezésre állási idıintervallumok, (6) munkák sorrendjétıl függı gépátállítási idık, (7) munkák indítására és befejezésére vonatkozó idıkorlátok. 1.2 Lehetıvé teszi a munkák dinamikus kezelését, a rendelések összevonását és/vagy szétbontását. A modellnek ez a tulajdonsága a tömeggyártás „sorozatnagyság” problémájának egy lehetséges értelmezését nyújtja. 1.3 Egyidejőleg több és változó fontosságú optimalizálási célt valamint interaktív tervezıi beavatkozásokat is képes kezelni a termelésirányítás rugalmasan változó igényeinek kielégítése érdekében. Definiáltam az ütemezési modell építıelemeit, részletesen megadtam a hozzájuk tartozó attribútumokat és leírtam azok kapcsolatrendszerét. Kifejlesztettem egy számítógépi implementálásra közvetlenül alkalmas adatmodellt, amelyben indexelt
PHD ÉRTEKEZÉS
98
hivatkozásrendszert alkalmaztam az adatkezelés egyszerősítése és gyorsítása érdekében. A modell alkalmazhatóságát a számítógépes implementáció tesztfeladatainak elemzése igazolta. A modellt az értekezés 3. fejezete ismerteti. A modellt a [10], [8], [7], [13], [11], és az [1], [3] publikációkban is részletesen bemutattam.
2. tézis:
Többfázisú heurisztikus módszer az EFFS ütemezési feladatok megoldására.
Az ismert FFS ütemezési feladatokhoz viszonyítva az 1. tézisben definiált EFFS termelésprogramozási feladatokban a végrehajtási útvonalak és a párhuzamos gépek alternatívái, valamint a dinamikus sorozatnagyság-képzés lehetıségei jelentısen megnövelik a megvalósítható ütemtervek keresési terét. A méretnövekedésnek a feladat megoldása szempontjából nehezítı hatását fokozza a megengedett megoldások terének szerkezetváltozása is. Ez a változás – többek között – a többmőveletes végrehajtási lépések, a gépenként változó termelési intenzitások, és az átállítási idıtartamok munkafüggıségének következménye. További speciális követelményt jelent a gépek terhelhetıségénél egyes korábban ütemezett terhelések figyelembe vétele. Ezek következményeként az EFFS feladatok megoldására az ismert ütemezési módszerek közvetlenül nem alkalmazhatók, szükség van a gyakorlatban elıforduló mérető és nehézségő feladatokat megoldó, elfogadható futási idejő új módszerek kifejlesztésére.
Az EFFS modellel kezelhetı termelésprogramozási feladatok megoldására kifejlesztettem egy új szemlélető integrált módszert, amely végrehajtás-szimulációra alapozott problématér-transzformációval, heurisztikus algoritmusok valamint keresési technikák kombinált alkalmazásával egyidejőleg támogatja a rendelések bontására és/vagy egyesítésére, a gyártási sorozatnagyságok dinamikus meghatározására, a technológiai alternatívák kezelésére, a gépi erıforrások allokálására, a gyártási feladatok definiálására és azok végrehajtásának idıbeli ütemezésére vonatkozó döntéseket. A módszer fontosabb jellemzıi: 2.1 A belsı rendelések ütemezési alapegységekre bontásával önálló munkák jönnek létre. Ezek ütemezése egymástól függetlenül, végrehajtási lépésekre alapozott feladatok (taszkok) formájában történik (a csomagkapcsolt hálózati adattovábbítás elvének egy speciális alkalmazásával). Ezáltal a gépeken a gyártási sorozatnagyságok és az azokat elválasztó átállítási mőveletek dinamikusan, ütemezés közben alakulnak ki. 2.2 A technológiai alternatívák teljes körő rendszerezését és megvalósíthatósági (érvényességi) vizsgálatát követıen azok beépülnek az EFFS modellben szereplı építıelemek attribútumai által definiált kapcsolatrendszerbe. Minden egyes döntési helyzetben a választás már csak megengedett megoldást eredményezhet, ezért nincs szükség további megvalósíthatósági vizsgálatra. 2.3 Az EFFS feladatosztályhoz tartozó (gépek aktuális terhelésére és rendelkezésre állására, legkorábbi mőveletkezdésre, mőveleti sorrendre, rendelések határidejére
PHD ÉRTEKEZÉS
2.4
2.5
99
vonatkozó) korlátfeltételek és a speciális követelmények (eltérı termelési intenzitások, változó átállítási idıtartamok, különbözı mérető logisztikai egységek) figyelembevételét egy szabályalapú számítási eljárás végzi, amely egy jól definiált ütemterv adott gyártási környezetben történı végrehajtásának gyors szimulációjára is alkalmas. A végrehajtás-szimuláció az ütemtervben szereplı gyártási feladatokhoz, munkákhoz és megrendelésekhez tartozó kezdési, elıkészítési, mőveleti és befejezési idıadatok kiszámításával a problématér transzformációját valósítja meg. Egy egyszerősített ütemtervhez – amely a munkák és gépek megengedett összerendeléseit és a munkák végrehajtásának gépenkénti sorrendjét tartalmazza – egyértelmően hozzárendel egy megvalósítható, minısített, részletes termelési finomprogramot. A hozzárendelési és sorrendi problémákat egy kétfázisú, kombinált heurisztikus módszer oldja meg. Az elsı fázisban gyors felépítı algoritmusok (BWBA, HEFCA, HIA, EHIA) több „jó” kezdeti megoldást generálnak. A legjobb kezdeti megoldásból kiindulva a második fázisban többféle szomszédsági operátor (N1, N2, N3, N4, N5) kombinált alkalmazásával, többfunkciós tabulista-kezeléssel és folyamatos tanuláson alapuló, paraméteres szabályozással mőködı, tabukeresési megoldóalgoritmus javítja a megoldást.
A definiált EFFS ütemezési feladatok megoldására tesztadatok és/vagy összehasonlításra alkalmas eredmények a szakirodalomból közvetlenül nem nyerhetık. Az új, integrált ütemezési módszer vizsgálatára ezért egy számítógépi keretrendszert hoztam létre. A rendszer egymástól jól elkülönített funkcionális modulokból áll, így az egyes modulok, a megvalósított funkciók, valamint azok különbözı algoritmusai önmagukban is, csoportosan is tesztelhetık, összehasonlíthatók. A módszer helyességét és hatékonyságát – erre a célra fejlesztett problémagenerátorral elıállított – különbözı mérető és nehézségő tesztfeladatokon elvégzett futási eredmények támasztják alá. A megoldási módszer részleteit, a kifejlesztett algoritmusokat az értekezés 4. fejezete részletesen ismerteti, valamint a [10], [7], [13], [12], [11], és az [1], [2], [3] publikációkban nyomon követhetık a módszer kifejlesztésének fontosabb fokozatai.
3. tézis:
Új módszer többcélú kombinatorikus optimalizálási feladat megengedett megoldásainak egymáshoz viszonyított minısítésére.
Ismeretes, hogy a többcélú, kombinatorikus optimalizálási feladatoknak csak kivételes esetekben van olyan megoldása, amely az összes célfüggvény szempontjából egyszerre tekinthetı optimálisnak. Kompromisszumos megoldás értelmezéséhez és megtalálásához szükséges annak definiálása, hogy milyen szempontok szerint és hogyan hasonlíthatók össze a lehetséges megoldások. Léteznek különbözı elvek és módszerek erre a célra, azonban dinamikus rendszerekben ezek alkalmazása – fıként a paraméterezés bonyolultsága miatt – nehézkes, így indokolt új, rugalmasan, könnyen adaptálható módszerek kifejlesztése.
PHD ÉRTEKEZÉS
100
Matematikai modellt és megoldási módszert dolgoztam ki a többcélú kombinatorikus optimalizálási feladatokban elıírt – dinamikusan változó fontosságú, különbözı dimenziójú és értékkészlető – célfüggvények együttes figyelembevételére és a megengedett megoldások egymáshoz viszonyított (relatív) minıségének számszerősítésére. A módszer többféle feladat-megoldási stratégiában is jól felhasználható az aktuális céloknak legjobban megfelelı megoldás megtalálására. A módszert – termelési finomprogramok minıségének összehasonlítására – objektumorientált elvek alapján, relációs operátorok újraértelmezésével implementáltam. Kimutattam, hogy a módszer széles problémakörben felhasználható ismert keresési algoritmusok (metaheurisztikák) támogatására, kombinatorikus többcélú optimálási feladatok megoldására. A módszert és annak tulajdonságait az értekezés 4.3.2. fejezete részletesen ismerteti, valamint az [1], [3], [12] és a [4] publikációkban is bemutattam.
4. tézis:
Integrált termelésprogramozási modell a rugalmas tömeggyártásban fellépı változások és zavarok kezelésének támogatására.
A rugalmas tömeggyártásban fellépı mőhelyszintő termelésirányítási feladatok esetében a hagyományos MES alkalmazások az igények egy részét nem tudják maradék nélkül kielégíteni. Hatékony, zárt (visszacsatolt) irányítás (szabályozás) megvalósítása érdekében szükség van a tervezett és a tényleges termelésirendszer-állapot ismételt összevetésére és szükség esetén korrekciós beavatkozások kezdeményezésére. A kívánt állapotot a mindenkori érvényes termelési finomprogram képviseli, amely a termelés teljesítményét mérı mutatók elıidejő optimalizálásával készült. Ehhez szükséges, hogy az ütemezıben rendelkezésre álljon egy gyors termelésifolyamat-szimulátor. Az éles finomprogram valós termelési teljesítményét mérı mutatók a MES rendszerbıl visszacsatolhatók és összevethetık a tervezettekkel. Az értékelés egyik lehetséges következményeként a hatékony beavatkozás érdekében újraütemezésre kerülhet sor, amelyet a ütemezı megoldó heurisztikája és/vagy egy interaktív kézi ütemezést biztosító szolgáltatás támogathat.
A MES szintő gyártásirányítás és bizonytalanságkezelés ütemezési és újraütemezési feladatainak támogatására kifejlesztettem egy új, integrált modellt és kidolgoztam annak egy számítógépi (szoftver) reprezentációját. A megoldás alkalmas az igény szerinti tömeggyártás mőhelyszintő termelésirányítási feladatainak integrált, kiterjesztett funkciójú kezelésére. A modellt a következık jellemzik: 4.1 Az elıidejő ütemezésre használt megoldási módszer továbbfejlesztett, kibıvített formában újraütemezési feladatok megoldására is alkalmas. Ez kezdeti megoldásnak az eredetileg érvényben lévı ütemtervet vagy annak egy interaktív szerkesztéső következményét tekinti. A minısítés kritériumai között ilyenkor megjelennek olyan új elemek is, amelyek kifejezik az ütemtervváltozásokkal szemben támasztott speciális igényeket. Ilyenek lehetnek egyedi (pl. egyes kiemelt gépek átállítására, rendelések késésének engedélyezésére vonatkozó)
PHD ÉRTEKEZÉS
4.2
4.3
4.4
4.5
101
illetve összesített (pl.: megváltozott allokációk vagy indítási sorrendek számának minimalizálására vonatkozó) elvárások is. A termelés rövid távú programozására valamint a termelési bizonytalanságokból és zavarokból keletkezı hibák elhárítására (csökkentésére) funkcionális komponensekbıl felépített termelésprogramozó szoftvert hoztam létre. Az alkalmazás funkcionális modelljét, és a termelésinformatikai rendszerben betöltött szerepét a 14. ábra vázolja. A szoftver új, többfunkciós koncepciót valósít meg a következı fı komponensekkel: (1) többfunkciós paraméterkezelı, (2) modellépítı komponens, (3) heurisztikán és keresési metaheurisztikán alapuló feladatmegoldó ütemezı és újraütemezı (interaktív grafikus felülettel a felhasználói beavatkozás támogatására), (4) gyors termelésifolyamat-szimulátor a taszkok idıadatainak meghatározására és (5) termelési teljesítménymutatókat számító és minısítı komponens. A modellt megvalósító szoftver a gyártásirányító vezetıi döntéshozást automata, kézi és kombinált üzemmódban, termelési célfüggvények és mutatók számításával, részletes és áttekinthetı grafikus diagramok, táblázatos jelentések készítésével támogatja. Fontos jellemzıje az alkalmazásnak, hogy megrendelés-, munka-, feladat- és gépszintő konzisztens beavatkozást biztosító interaktív operációkészlettel támogatja a felhasználót az ütemezési és újraütemezési feladatok megoldásában, ezáltal lehetıvé teszi a természetes (felhasználói) intelligencia és a megoldási módszerekben realizált mesterséges (számítógépi) intelligencia kombinált alkalmazását.
A kidolgozott modell és a megoldóalgoritmusok alapján megterveztem és C++ Builder szoftverfejlesztı környezetben objektumorientált módon megvalósítottam a többfunkciós, integrált termelésprogramozó szoftver prototípusát, amely alkalmas: (1) Többmőveletes, EFFS típusú termelésirányítási feladatok többkritériumos optimumközeli ütemezésére. (2) A tervezett és a megvalósult termelési célok összevetésére. (3) Viselkedés alapú beavatkozás támogatójaként a feladatok újrafogalmazására. (4) A feladatok újraütemezésére. A szoftver alkalmazhatóságát próbafeladatokon végrehajtott tesztek eredményei támasztják alá. A modell jellemzıit, a szoftver felépítésének részleteit, az alkalmazott információs technológiát, valamint az interaktív felhasználói felület tulajdonságait az értekezés 5. és 6. fejezete részletesen ismerteti. A legfontosabb jellemzık az [1], [2], [3], [7], [12], [11] és a [4] publikációkban is bemutatásra kerültek.
PHD ÉRTEKEZÉS
102
8. AZ EREDMÉNYEK HASZNOSÍTHATÓSÁGA
A Miskolci Egyetem Alkalmazott Informatikai Tanszékén Erdélyi Ferenc vezetésével végzett kutatómunkám egyik feladata volt hozzájárulni az MTA SZTAKI vezette „VITAL” Valós idejő, kooperatív vállalatok (NKTH 2/010/2004) kutatási projekt Integrált kapacitástervezés, erıforrás-menedzsment és ütemezés klasztere keretében folyó kutatási és fejlesztési munka támogatásához. Az értekezésben összefoglalt eredmények (ütemezési modell, megoldási koncepció, az alkalmazott módszerek és a megvalósított funkciók) szóbeli prezentáció és írásos kutatási jelentések formájában kerültek belsı felhasználásra. Az értekezésben összefoglalt eredmények a rugalmas tömeggyártás más területein is hasznosíthatók. Mintafeladatokon produkált futási eredmények azt mutatják, hogy a kifejlesztett EFFS ütemezési modell és annak megoldómódszerei alkalmasak a definiált feladatosztályba sorolható sokféle ütemezési feladat megoldására. A megvalósított szoftverprototípus adatbáziskezelı rendszerekhez (DBMS) kapcsolódhat, ezáltal termelésinformatikai rendszerekbe ágyazható. Gyakorlati alkalmazásához szükség lehet a konkrét termelési adatbázis-struktúrához illesztı (adatkonverziós) modul módosítására, a felmerülı igényeknek megfelelıen további célfüggvények, termelési mutatók definiálására, valamint a konkrét gyártószerelı rendszer speciális jellemzıinek és igényeinek megfelelıen a szimulátor módosítására, esetleg továbbfejlesztésére. Az ütemezı szoftver könnyen kezelhetı grafikus felülete, beépített problémagenerátora, valamint eredménykijelzı és -értékelı szolgáltatásai lehetıvé teszik a felsıfokú oktatásban való felhasználását is (pl.: ME Alkalmazott Informatikai Tanszék által oktatott „Számítógépes gyártásirányítás”, „Számítógépes termelésirányítás”, „Termelési rendszerek és folyamatok” és „Számítógéppel integrált gyártás” c. tárgyak laborgyakorlatainak keretein belül). A többcélú optimalizálási feladat megoldásainak egymáshoz viszonyított (relatív) minıségének számszerősítésére kifejlesztett ( a harmadik tézisben összefoglalt) matematikai modell és megoldási módszer – termelésütemezési problémáktól független tulajdonsága következtében – széles feladatkörben felhasználható ismert keresési algoritmusok és metaheurisztikák támogatására, kombinatorikus többcélú optimalizálási feladatok megoldására.
PHD ÉRTEKEZÉS
103
9. TOVÁBBI KUTATÁSI FELADATOK
A továbbfejlesztés egyik iránya lehet az EFFS modell bıvítése. Ez vonatkozhat egyrészt a modell specializálására, finomítására további részletek kibontásával, modellezésével és beépítésével. Ilyenek lehetnek például a gyártási folyamat során felhasznált anyagokkal, beépülı komponensekkel és azok alternatíváival mint nem megújuló erıforrásokkal kapcsolatos kérdések részletes vizsgálata, korlátozott mérető átmeneti tárolók, anyagmozgatási idık figyelembevétele és hatásuk vizsgálata. Általános irányú funkcionális bıvítés is kitőzhetı cél lehet, melynek során a modellel kezelhetı ütemezési feladatok körét tovább lehet szélesíteni. Ilyenek lehetnek például a mővelet-végrehajtási (pl. megszakíthatóságra vonatkozó) jellemzık változtatásából származó feladatok, a mőveleti sorrendekre vonatkozó elıírások általánosításából eredı („job shop”, „open shop” vagy „general shop” típusú) feladatok kezelésére irányuló kutatások. A továbbfejlesztés egy másik lehetséges irányát jelentheti a tisztán determinisztikus elıidejő ütemezési (proactive) és újraütemezési (reactive) feladok vizsgált körének bıvítése sztochasztikus ütemezési feladatok irányába, adott eloszlások szerint véletlenszerően generált elemek (pl. idıközben beérkezı megrendelések, ütemezés közben megváltozó mőveleti és rendelkezésre állási idık, egyéb jellemzık) bevonásával. További kutatási feladatot jelenthetnek a szimulációt megvalósító, a megoldást elıállító és a kiértékelést végzı algoritmusok sebességének növelésére (összességében az adott minıségő eredmények elıállításához szükséges futási idı csökkentésére, vagy adott futási idıkorlát mellett elérhetı még jobb minıségő eredmények elıállítására) irányuló törekvések. Hosszú távú fejlesztési célként említhetı meg az ütemezı szoftver és további (meglévı vagy fejlesztés alatt álló) alkalmazások felhasználásával az ME AIT termelésinformatikai laboratóriumában virtuális körülmények között mőködı teljes funkcionalitású gyártásirányító rendszer kialakítása kutatási és oktatási céllal.
PHD ÉRTEKEZÉS
104
10. AZ ÉRTEKEZÉS TÉMAKÖRÉBEN KÉSZÍTETT SAJÁT PUBLIKÁCIÓK
Angol nyelven megjelent tudományos közlemények: [1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
KULCSÁR, GY., ERDÉLYI, F., 2007, A New Approach to Solve Multi-Objective Scheduling and Rescheduling Tasks, International Journal of Computational Intelligence Research, Vol. 3, No. 4, (megjelenés alatt). TÓTH, T., ERDÉLYI, F., KULCSÁR, GY., 2008, Decision Supporting of Production Planning and Control by means of Key Production Performance Measuring Indicators, Seventh International Symposium on Tools and Methods of Competitive Engineering, TMCE 2008, April 21–25, 2008, Kusadasi, Turkey, (közlésre elfogadva). KULCSÁR, GY., ERDÉLYI, F., HORNYÁK, O., 2007, Multi-Objective Optimization and Heuristic Approaches for Solving Scheduling Problems, IFAC Workshop on Manufacturing Modeling, Management and Control, MIM 2007, Budapest, November 14-16, 2007, pp. 127-132. KULCSÁR, GY., ERDÉLYI, F., 2007, Multi-Objective Searching Methods for Solving Scheduling and Rescheduling Problems, microCAD 2007 International Scientific Conference, Miskolc, Hungary, pp. 133-138. HORNYÁK, O., ERDÉLYI, F., KULCSÁR, GY., 2006, Behaviour-Based Control for Uncertainty Management in Manufacturing Execution Systems, Proceedings of the 8th International Conference on The Modern Information Technology in the Innovation Processes of the Industrial Enterprises, MITIP 2006. September 11-12, 2006, Budapest, Hungary, pp. 73-79. HORNYÁK, O., ERDÉLYI, F., KULCSÁR, GY., 2006, Detailed Scheduling and Uncertainty Management in Customized Mass Production, 12th International Conference on Machine Design and Production, Kusadasi, Turkey, pp. 423439. KULCSÁR, GY., ERDÉLYI, F., 2006, Modeling and Solving of the Extended Flexible Flow Shop Scheduling Problem, Production Systems and Information Engineering, A Publication of the University of Miskolc, Vol. 3, Miskolc, Hungary, pp. 121-139. KULCSÁR, GY., ERDÉLYI, F., 2006, Extended Flexible Flow Shop Scheduling Problem with Limited Machine Availability, microCAD 2006 International Scientific Conference, Miskolc, Hungary, pp. 181-186.
PHD ÉRTEKEZÉS [9]
[10]
105
KULCSÁR, GY., ERDÉLYI, F., 2005, Production Goals and Heuristics Methods in Extended Flexible Flow Shop Scheduling Problems, Forum of PhD Students, Miskolc, Hungary, pp. 104-109. KULCSÁR, GY., HORNYÁK, O., ERDÉLYI, F., 2005, Shop Floor Decision Supporting and MES Functions in Customized Mass Production, Machine Engineering, Vol. 5. pp. 138 - 152.
Magyar nyelven megjelent tudományos közlemények: [11]
[12]
[13]
[14]
[15]
[16]
KULCSÁR, GY., 2006, Az igény szerinti tömeggyártás termelésprogramozásának heurisztikus megoldási módszere, Gyártás-2006 Magyar Tudományos Konferencia, pp. 130-140. KULCSÁR, GY., 2006, Az igény szerinti tömeggyártás termelésprogramozásának egy hibrid megoldási módszere, Doktoranduszok Fóruma, Miskolc, pp. 104-111. KULCSÁR, GY., 2006, Az igény szerinti tömeggyártás termelésprogramozásának modellezése és heurisztikus megoldása, GÉP, A Gépipari Tudományos Egyesület Mőszaki Folyóirata, LVII. évfolyam, 2006/10 szám, pp. 3-13. KULCSÁR, GY., ERDÉLYI, F., 2006, Kiterjesztett rugalmas Flow Shop ütemezési feladat modellezése és megoldása, Fiatal Mőszakiak Tudományos Ülésszaka, Kolozsvár, Románia, pp. 223- 226. HORNYÁK, O., ERDÉLYI, F., KULCSÁR, GY., 2005, Valós idejő gyártásirányítás (MES) funkciók fejlıdése, modellek és módszerek, Informatika a felsıoktatásban 2005, CD, Debrecen. KULCSÁR, GY., ERDÉLYI, F., 2004, Technológiai alternatívák hatása rövid távú termelés ütemezési feladatok megoldására, Doktoranduszok Fóruma, Miskolc, pp. 173-178.
PHD ÉRTEKEZÉS
106
11. HIVATKOZOTT IRODALOM
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26] [27]
ACERO-DOMINGUEZ, M., J., PATERNINA-ARBOLEDA, C., D., 2004, Scheduling Jobs on a K-Stage Flexible Flow Shop Using a TOC-Based (Bottleneck) Procedure, Proceedings of the 2004 Systems and Information Engineering Design Symposium, pp. 295-298. AGARWAL, A., COLAK, S., ERYARSOY, E., 2006, Improvement Heuristic for the Flow-Shop Scheduling Problem: An Adaptive-Learning Approach, European Journal of Operational Research, Vol. 169, No. 3, pp. 801-815. AHR, D., BÉKÉSI, J., GALAMBOS, G., OSWALD, M., REINELT, G., 2004, An Exact Algorithm for Scheduling Identical Coupled Task Problems, Mathematical Methods of Operations Research, Vol. 59, No. 2, pp. 193-203. ALCARAZ, J., MAROTO, C., RUIZ, R,, 2006, Two New Robust Genetic Algorithms for the Flowshop Scheduling Problem, Omega, Vol. 34, pp. 461476. ALISANTOSO, D., KHOO, L., P., JIANG, P., Y., 2003, An Immune Algorithm Approach to the Scheduling of a Flexible PCB Flow Shop, The International Journal of Advanced Manufacturing Technology, Vol. 22, No. 11-12, pp. 819827. ALLAHVERDI, A., GUPTA, J., N., D., ALDOWAISAN, T., 1999, A Review of Scheduling Research Involving Setup Considerations, Omega, Vol. 27, No. 2, pp. 219-239. ALLAHVERDI, A., NG, C., T., CHENG, T., C., E., KOVALYOV, M., Y., 2007, A Survey of Scheduling Problems with Setup Times or Costs, European Journal of Operational Research, In Press, Corrected Proof, Available online 13 November 2006. ALLAOUI, H., ARTIBA, A., 2006, Scheduling Two-Stage Hybrid Flow Shop with Availability Constraints, Computers and Operations Research, Vol. 33, pp. 1399-1419. ARTHANARI, T., S., RAMAMURTHY, K., G., 1971, An Extension of Two Machines Sequencing Problem, Journal of Operational Research, Vol. 41, pp. 641-648. ASKIN, G., A., STANDRIDGE, C., R., 1993, Modeling and Analysis of Manufacturing Systems, John Wiley and Sons Inc., New York. AYTUG, H., LAWLEY, M., A., MCKAY, K., MOHAN, S., UZSOY, R., 2005, Executing Production Schedules in the Face of Uncertainties: A Review and
PHD ÉRTEKEZÉS
[28]
[29]
[30]
[31]
[32]
[33]
[34] [35] [36]
[37]
[38]
[39]
[40]
[41]
[42]
107
some Future Directions, European Journal of Operational Research, Vol. 161, pp. 86-110. BLAZEWICZ, J., BREIT, J., FORMANOWICZ, P., KUBIAK, W., SCHMIDT, G., 2001, Heuristic Algorithms for Two-Machine Flowshop with Limited Machine Availability, Omega, Vol. 29, pp. 599-608. BLAZEWICZ, J., PESCH, E., STERNA, M., WERNER, F., 2004, Open Shop Scheduling Problems with Late Work Criteria, Discrete Applied Mathematics, Vol. 134, No. 1-3, pp. 1-24. BLAZEWICZ, J., PESCH, E., STERNA, M., WERNER, F., 2005, A Comparison of Solution Procedures for Two-Machine Flow Shop Scheduling with Late Work Criterion, Computers and Industrial Engineering, Volume 49, Issue 4, pp. 611-624. BOTTA-GENOULAZ, V., 2000, Hybrid Flow Shop Scheduling with Precedence Constraints and Time Lags to Minimize Maximum Lateness, International Journal of Production Economics, Vol. 64, No. 1-3, pp. 101-111. BRAH, S., A., HUNSUCKER, J., L., 1991, Branch-and-Bound Algorithm for the Flow Shop with Multiple Processors, European Journal of Operations Research, Vol. 51, pp. 88-99. BRAH, S., A., LOO, L., L., 1999, Heuristics for Scheduling in a Flow Shop with Multiple Processors, European Journal of Operational Research, Vol. 113, No. 1, pp. 113-122. BRUCKER, P., 1998, Scheduling Algorithms, Secong, Revised and Enlarged Edition, Springer-Verlag, Berlin. BRUCKER, P., KNUST, S., 2006, Complexity Results for Scheduling Problems, http://www.mathematik.uni-osnabrueck.de/research/OR/class/ CAMPBELL, H., G., DUDEK, R., A., SMITH, M., L, 1970, A Heuristic Algorithm for the n-Job m-Machine Sequencing Problem, Management Science, Vol. 16, No. 10, pp. 630-637. CHANG, S., C., LIAO, D., Y., 1994, Scheduling Flexible Flow Shops with No Setup Effects, IEEE Transactions on Robotics and Automation, Vol. 10, No. 2, pp. 112-122. CHEN, C., L., VENKATESWARA, S.,V., ALJABER, N., 1995, An Application of Genetic Algorithms for Flow Shop Problems, European Journal of Operational Research, Vol. 80, pp. 389-396. CHENG, T., C., E., GUPTA, J., N., D., WANG, G., 2000, A Review of Flowshop Scheduling Research with Setup Times, Production and Operations Management, Vol. 8, No. 3, pp. 262-282. CHENG, T., C., E., WANG, G., 2000, An Improved Heuristic for Two-Machine Flowshop with an Availability Constraint, Operation Research Letters, Vol. 26, pp. 223-229. CHROBAK, M., CSIRIK, J., IMREH, CS., NOGA, J., SGALL, J., WOEGINGER, G., 2001, The Buffer Minimization Problem for Multiprocessor Scheduling with Conflicts, Proceedings of ICALP 2001, LNCS 2076, pp. 862-874. CRESCENZI, P., KANN, V., 2005, A Compendium of NP Optimization Problems, http://www.nada.kth.se/~viggo/problemlist/
PHD ÉRTEKEZÉS [43]
[44]
[45]
[46] [47]
[48]
[49]
[50]
[51]
[52]
[53]
[54]
108
CSÁJI, B., CS., MONOSTORI, L., 2005, Stochastic Reactive Production Scheduling by Neurodynamic Learning, 16th IFAC World Congress, July 4-8, 2005, Prague, Czech Republic, (CD version is available). CSÁJI, B., CS., MONOSTORI, L., 2005, Stochastic Reactive Production Scheduling by Multi-Agent Based Asynchronous Approximate Dynamic Programming, Lecture Notes in Artificial Intelligence, Springer, Vol. 3690, Proceedings of the 4th International Central and Eastern European Conference on Multi-Agent Systems (CEEMAS 2005), September 15-17, 2005, Budapest, Hungary, pp 388-397. CSÉBFALVI, G., 2000, A New Exact Resource Leveling Procedure for the Multiple Resource Constrained Project Scheduling Problem, Proc. North American Productivity Workshop, Jun 15-21, 2000, Schenectady, New York, USA. CSÉBFALVI, G., KONSTANTINIDIS, P., 1998, Egy implicit leszámláláson alapuló új erıforrás kiegyenlítı eljárás, Szigma, Vol. 29, pp. 43-52. DAYA, B., M., AL-FAWZAN, M., 1998, A Tabu Search Approach for the Flow Shop Scheduling Problem, European Journal of Operational Research, Vol. 109, pp. 88-95. ERDÉLYI, F., 2004, Technológiai folyamatok automatizálásának alapjai, TÓTH, T., Termelési rendszerek és folyamatok 11. fejezete, p. 305-384, Miskolci Egyetemi Kiadó. ERDÉLYI, F., TÓTH, T., 2006, Decision Supporting of Production Planning and Control (PPC) by Means of Rate-Type State Variables, Sixth International Symposium on Tools and Methods of Competitive Engineering, TMCE 2006, April 18-22, Ljubljana, (under review). FRAMINAN, J., M., GUPTA, J., N., D., LEISTEN, R., 2002, A Review and Classification of Heuristics for Permutation Flowshop Scheduling with Makespan Objective, Technical Report OI/PPC-2001/02, Version 1.2 – 20/07/2002 (http://taylor.us.es/cicyt/reports/TROI-2001-02.pdf). FRAMINAN, J., M., LEISTEN, R., RAJENDRAN, C.,, 2003, Different Initial Sequences for the Heuristic of Nawaz, Enscore and Ham to Minimize Makespan, Idletime or Flowtime in the Static Permutation Flowshop Sequencing Problem, International Journal of Production Research, Vol. 41, No. 1, pp. 121-148. GAREY, M., R., JOHNSON, D., S., SETHI, R., 1976, The Complexity of Flowshop and Jobshop Scheduling, Mathematics of Operations Research, Vol. 1, No. 2, pp. 117-129. GEIGER, M., J., 2006, Foundations of the Pareto Iterated Local Search Metaheuristic, Proceedings of the 18th International Conference on Multiple Criteria Decision Making, June 19-23, 2006, Chania, Greece. http://www.dpem.tuc.gr/fel/mcdm2006/Papers/Geiger.pdf GRABOWSKI, J., WODECKI, M., 2002, A Very Fast Tabu Search Algorithm for the Permutation Flow Shop Problem with Makespan Criterion, Research Report PRE 64/2002, Institute of Engineering Cybernetics, Technical University of Wroclaw, Wroclaw, Poland.
PHD ÉRTEKEZÉS [55] [56]
[57] [58]
[59]
[60]
[61]
[62]
[63]
[64]
[65]
[66]
[67]
[68]
[69]
109
GUPTA, J., N., D., 1971, A Functional Heuristic Algorithm for the Flow Shop Scheduling Problem, Operational Research Quarterly, Vol. 22, pp. 39-47. GUPTA, J., N., D., 1979, An Improved Lexicographic Search Algorithm for the Flow Shop Scheduling Problem, Computers and Operational Research, Vol. 6, No. 2, pp. 117-120. GUPTA, J., N., D., 1988, Two-stage, hybrid flow shop scheduling problem, The Journal of the Operational Research Society, Vol. 39, No. 4, pp. 359-364. GUPTA, J., N., D., DARROW, W., P., 1986, The Two-Machine Sequence Dependent Flow Shop Scheduling Problem, European Journal of Operational Research, Vol. 24, No. 3, pp. 439-446. GUPTA, J., N., D., HARIRI, A., M., A., POTTS, C., N., 1997, Scheduling a TwoStage Hybrid Flowshop with Parallel Machines at the First Stage, Annals of Operations Research, Vol. 69, pp. 171-191. GUPTA, J., N., D., KRÜGER, K., LAUFF, V., WERNER, F., SOTSKOV, Y., N., 2002, Heuristics for hybrid flow shops with controllable processing times and assignable due dates, Computers & Operations Research, Vol. 29, No. 10, pp. 1417-1439. GUPTA, J., N., D., TUNC, E., A., 1991, Schedules for a Two-Stage Hybrid Flowshop with Parallel Machines at the Second Stage, International Journal of Production Research, Vol. 29, No. 7, pp. 1489-1502. GUPTA, J., N., D., TUNC, E., A., 1994, Scheduling a Two-Stage Hybrid Flowshop with Separable Setup and Removal Times, European Journal of Operational Research, Vol. 77, pp. 415-428. HOLCZINGER, T., ROMERO, J., PUIGJANER, L., FRIEDLER, F., 2002, Scheduling of Multipurpose Batch Processes with Multiple Batches of the Products, Hungarian Journal of Industrial Chemistry, Vol. 30, pp. 305-312. HONG, T., P., WANG, T., T., 1999, Heuristic Palmer-Based Fuzzy Flexible Flow-Shop Scheduling Algorithm, IEEE International Fuzzy Systems Conference Proceedings, FUZZ-IEEE’99, New York: IEEE, Vol. 3, pp. 14931497. HONG, T., P., WANG, T., T., 2000, Fuzzy Flexible Flow Shops at Two Machine Centers for Continuous Fuzzy Domains, Information Sciences, Vol. 129, No. 1-4, pp. 227-237. HONG, T., P., WANG, T., T., WANG, S., L., 2001, A Palmer-Based Continuous Fuzzy Flexible Flow-Shop Scheduling Algorithm, Soft Computing, Vol. 5, No. 6, pp. 426-433. HOOGEVEEN, J., A., LENSTRA, J., K., VELTMAN, B., 1996, Preemptive scheduling in a two-stage multiprocessor flow shop is NP-hard, European Journal of Operational Research, Vol. 89, No. 1-2, pp. 172-175. HORNYÁK, O., ERDÉLYI, F., 2004, Manufacturing Execution System for Advanced Shop Floor Control, Proceedings of The Eleventh International Conference on Machine Design and Production, October 13-15, Antalya, Turkey. pp. 48-52. HORNYÁK, O., ERDÉLYI, F., 2005, Development of MES Functionalities for Supporting Management Decisions, MicroCAD’2005 International Computer Science Conference, 10-11 March 2005, Miskolc, Hungary, pp. 134-142.
PHD ÉRTEKEZÉS [70]
[71] [72] [73] [74]
[75]
[76]
[77]
[78]
[79]
[80]
[81]
[82]
[83]
110
HORNYÁK, O., ERDÉLYI, F., 2006, Uncertainty Management in Manufacturing Execution Systems, MicroCAD’2006 International Computer Science Conference, 16-17 March 2006, Miskolc, Hungary, pp. 295-303. IMREH, CS., 2001, Scheduling on a Two Layer Multiprocessor Architecture, Acta Cybernetica, Vol. 15, pp. 163-172. IMREH, CS., 2003, Scheduling Problems on Two Sets of Identical Machines, Computing, Vol. 70, pp. 277-294. JOHNSON, S., M., 1954, Optimal Two- and Three-Stage Production Schedules with Setup Times Included, Research Logistics Quarterly, Vol. 1, pp. 61-68. JUNGWATTANAKI, J., REODECHA, M., CHAOVALITWONGSE, P., WERNER, F., 2005, An Evaluation of Sequencing Heuristics for Flexible Flowshop Scheduling Problems with Unrelated Parallel Machines and Dual Criteria, Preprint 2005-28, Mathematics Preprint Servers, Otto-von-GuerickeUniversity, Magdeburg, Germany. JUNGWATTANAKI, J., REODECHA, M., CHAOVALITWONGSE, P., WERNER, F., 2006, Algorithms for Flexible Flow Shop Scheduling Problems with Unrelated Parallel Machines, Setup Times, and Dual Criteria, Preprint 200626, Mathematics Preprint Servers, Otto-von-Guericke-University, Magdeburg, Germany. JUNGWATTANAKI, J., REODECHA, M., CHAOVALITWONGSE, P., WERNER, F., 2006, Sequencing Algorithms for Flexible Flow Shop Problems with Unrelated Parallel Machines, Setup Times and Dual Criteria, Preprint 200649, Mathematics Preprint Servers, Otto-von-Guericke-University, Magdeburg, Germany. KÁDÁR, B., MONOSTORI, L., CSÁJI, B., 2005, Adaptive Approaches to Increasing the Performance of Production Control Systems, CIRP Journal of Manufacturing Systems, Vol. 34, No. 1, pp. 349-352. KÁDÁR, B., PFEIFFER, A., MONOSTORI, L., 2005, Stability-oriented Evaluation of Rescheduling Strategies by using Simulation, Computers in Industry, Elsevier, (paper accepted in 2006). KIS T., PESCH, E., 2005, A Review of Exact Solution Methods for the NonPreemptive Multiprocessor Flowshop Problem, European Journal of Operational Research, Vol. 164, No. 3, pp. 573-695. KIS, T., ERDİS, G., 2005, Specification: Automatic Scheduling System with Basic Scheduling Engine for GE Lighting, (VITAL project NKTH 2/010/2004: internal report). KOCHAR, S., MORRIS, R., J., T., 1987, Heuristic Methods for Flexible Flow Line Scheduling, Journal of Manufacturing Systems, Vol. 6, No. 4, pp. 299314. KOVÁCS, A., EGRI, P., KIS, T., VÁNCZA, J., 2005, Proterv-II: An integrated Production Planning and Scheduling System, In: Principles and Practice of Constraint Programming, Proc. of CP2005, (ed.: van Beek, P.,), Springer LNCS. KURZ, M., E., ASKIN, R., G., 2001, An Adaptable Problem-Space-Based Search Method for Flexible Flow Line Scheduling, IIE Transactions, Vol. 33, No. 8, pp. 691-693.
PHD ÉRTEKEZÉS [84]
[85]
[86]
[87]
[88]
[89]
[90]
[91] [92]
[93]
[94]
[95]
[96] [97] [98]
111
KURZ, M., E., ASKIN, R., G., 2003, Comparing Scheduling Rules for Flexible Flow Lines, International Journal of Production Economics, Vol. 85, No. 3, pp. 371-378. KURZ, M., E., ASKIN, R., G., 2004, Scheduling Flexible Flow Lines with Sequence-Dependent Setup Times, European Journal of Operational Research, Vol. 159, No. 1, pp. 66-82. LEE, C., Y., 1997, Minimizing the Makespan in the Two-Machine Flowshop Scheduling Problem with an Availability Constraint, Operation Research Letters, Vol. 20, pp. 129-139. LEE, I., SIKORA, R., SHAW, M., J., 1997, A Genetic Algorithm-Based Approach to Flexible Flow-Line Scheduling with Variable Lot Sizes, IEEE Transactions on Systems, Man and Cybernetics, Vol. 27, No. 1, pp. 36-54. LENGYEL, A., ERDÉLYI, F., 2006, Behaviour Based Combined Approaches to Uncertainty Management in Manufacturing Systems, Proceedings of the 6th International Workshop on Emergent Synthesis, IWES’06, 18-19 August, 2006, Kashiwa, Japan, pp. 77-82. LEON, V.,J., RAMAMOORTHY, B., 1997, An Adaptable Problem-Space-Based Search Method for Flexible Flow Line Scheduling, IIE Transactions, Vol. 29, No. 2, pp. 115-125. LIN, H., T., LIAO, C., J., 2003, A Case Study in a Two-Stage Hybrid Flow Shop with Setup Time and Dedicated Machines, International Journal of Production Economics, Vol. 86, No. 2, pp. 133-143. LINN, R., ZHANG, W., 1999, Hybrid Flow Shop Scheduling: A Survey, Computers and Industrial Engineering, Vol. 37, No. 1-2, pp. 57-61. LIU, C., Y., CHANG, S., C., 2000, Scheduling Flexible Flow Shops with Sequence-Dependent Setup Effects, IEEE Transactions on Robotics and Automation, Vol. 16, No. 4, pp. 408-419. LOMINCKI, Z., A., 1965, A Branch and Bound Algorithm for the Exact Solution of the Three-Machine Scheduling Problem, Operational Research Quarterly, Vol. 16, pp. 89-100. LOUKIL, T., TEGHEM, J., TUYTTENS, D., 2005, Solving Multi-Objective Production Scheduling Problems Using Metaheuristics, European Journal of Operational Research, Vol. 161, pp. 42-61. MAJOZI, T., FRIEDLER, F., 2006, Maximization of Throughput in a Multipurpose Batch Plant Under Fixed Time Horizon: S-Graph Approach, Ind. Eng. Chem. Res., Vol. 45, pp. 6713-6720. MESA INTERNATIONAL, 1997, MES Explained: A High Level Vision, White Paper, Number 6, (http://www.mesa.org/whitepapers/). MONOSTORI, L., CSÁJI, B., CS., 2006, Stochastic Dynamic Production Control by Neurodynamic Programming, Annals of the CIRP, Vol. 55, pp. 473-478. MONOSTORI, L., VÁNCZA, J., KIS, T., KÁDÁR, B., VIHAROS, ZS., J., 2006, RealTime, Cooperative Enterprises: Requirements and Solution Approaches, Preprints of the 12th IFAC Symposium on Information Control Problems in Manufacturing, INCOM-2006, May 16-19, 2006, Saint Etienne, France pp. 591-596.
PHD ÉRTEKEZÉS [99]
[100]
[101]
[102]
[103]
[104]
[105]
[106]
[107] [108]
[109]
[110]
[111]
[112] [113] [114]
112
NAWAZ, M., ENSCORE, JR., E., HAM, I., 1983, A Heuristic Algorithm for the mMachine, n-Job Flow-Shop Sequencing Problem , OMEGA, Vol. 11, No. 1, pp. 91-95. NOWICKI, E., SMUTNICKI, C., 1996, A Fast Tabu Search Algorithm for the Flow Shop Problem, European Journal of Operational Research, Vol. 91, pp. 160-175. NOWICKI, E., SMUTNICKI, C., 1998, The Flow Shop with Parallel Machines: a Tabu Search Approach, European Journal of Operational Research, Vol. 106, No. 2-3, pp. 226-253. OGBU, F., A., SMITH, D., K., 1990, The Application of the Simulated Annealing Algorithm to the Solution of the n/m/Cmax Flow Shop Problem,. Computers and Operations Research, Vol. 17, No. 3, pp. 243-253. OSMAN, I., H., POTTS, C., N., 1989, Simulated Annealing for Permutation Flow-Shop Scheduling, OMEGA International Journal of Management Science, Vol. 17, No. 6, pp. 551-557. PALMER, D., S., 1965, Sequencing Jobs Through a Multi-Stage Process in the Minimum Total Time – a Quick Method of Obtaining a Near Optimum, Operational Research Quarterly, Vol. 16, No. 1, pp. 101-107. PETROVIC, D., DUENAS, A., 2006, A Fuzzy Logic Based Production Scheduling/Rescheduling in the Presence of Uncertain Discruptions, Fuzzy Sets and Systems, Vol. 157, pp. 2273-2285. PONNAMBALAM, S., G., ARAVINDAN, P., CHANDRASEKARAN, S., 2001, Constructive and Improvement Flow Shop Scheduling Heuristics: an Extensive Evaluation, Production Planning & Control, Vol. 12, No. 4, pp. 335-344. Production Scheduling Portal, http://www.productionscheduling.com/production_scheduling_books.html QUADT, D., KUHN, H., 2007, A Taxonomy of Flexible Flow Line Scheduling Procedures, European Journal of Operational Research, Vol. 178, pp. 686698. RAJENDRAN, C., CHAUDHURI, D., 1992, Scheduling in n-Job, m-Stage Flow Shop with Parallel Processors to Minimize Makespan, International Journal of Production Economics, Vol. 27, pp. 137-143. RAJENDRAN, C., CHAUDHURI, D., 1993, Heuristic Algorithm for Scheduling in a Flow Shop to Minimize Total Flowtime, International Journal of Production Economics, Vol. 29, pp. 65-73. RANGSARITRATSAMEE, R., FERRELL, W., G., KURZ, M., B., 2004, Dynamic Rescheduling that Simultaneously Considers Efficiency and Stability, Computers and Industrial Engineering, Vol. 46, No. 1, pp. 1-15. REEVES, C., R., YAMADA, T., 1998, Genetic Algorithms, Path Relinking, and Flow Shop Problem, Evolutionary Computation, Vol. 6, pp. 45-60. SCHMIDT, G., 2000, Scheduling with Limited Machine Availability, European Journal of Operational Research, Vol. 121, pp. 1-15. SMITH, K., L., EVERSON, R., M., FIELDSEND, J., E., 2004, Dominance Measures for Multi-Objective Simulated Annealing, Proceedings of the 2004
PHD ÉRTEKEZÉS
[115] [116]
[117]
[118]
[119]
[120]
[121] [122]
[123] [124]
[125] [126]
[127]
[128] [129]
113
Congress on Evolutionary Computation, CEC 2004, June 19-23, 2004, Portland OR, USA, pp. 23-30. SOMLÓ, J., 2006, Új utak a gépipari rendszerek gyártásütemezésében, Gyártás-2006 Magyar Tudományos Konferencia, pp. 155-161. SOMLÓ, J., SAWKIN, A., V., 2006, Periodic and Transient Switched Serves Schedules for FMS, Robotics and Computer Integrated Manufacturing, Vol. 22, pp.93-112. SOMLÓ, J., SAWKIN, A., V., ANUFRIEV, A., KONCZ, T., 2004, Pragmatic Aspects of the Solution of FMS Scheduling Problems using Hybrid Dynamical Approach, Robotics and Computer Integrated Manufacturing, Vol. 20, No. 1, pp. 35-49. STEFÁN, P., 2003, Combined Use of Reinforcement Learning and Simulated Annealing: Algorithms and Applications, Ph.D. Thesis, József Hatvany Ph.D. Program in Information Science, Miskolc, Hungary. STORER, R., H., WU, S., D., VACCARI, R., 1992, A New Search Spaces for Sequencing Problems with Application to Job Shop Scheduling, Management Science, Vol. 38, No. 10, pp. 1495-1509. TAILLARD, E., 1990, Some Efficient Heuristic Methods for the Flow Shop Sequencing Problem, European Journal of Operational Research, Vol. 47, No. 1, pp. 65-74. TÓTH, T., 2004, Termelési rendszerek és folyamatok, Miskolci Egyetemi Kiadó, Miskolc. TÓTH, T., ERDÉLYI, F., 2006, New Consideration of Production Performance Management for Discrete Manufacturing, Proceedings of the 8th International Conference on The Modern Information Technology in the Innovation Processes of the Industrial Enterprises, September 11-12, 2006, Budapest, Hungary, pp. 435-444. ULLMAN, J., D., 1975, NP-Complete Scheduling Problem, Journal of Computing System Science, Vol. 10, pp. 384-393. VAIK, ZS., 2005, On Scheduling Problems with Parallel Multi-Purpose Machines, Technical Report TR-2005-02, MTA-ELTE EGRES, Egerváry Research Group on Combinatorial Optimization. VÁNCZA, J., MÁRKUS, A., 2000, An Agent Model for Incentive-based Production Scheduling, Computers in Industry, Vol. 43, No. 2, pp. 173-187. VIEIRA, G., HERMANN, J., LIN, E., 2000, Predicting the Performance of Rescheduling Strategies for Paralell Machines Systems, Journal of Manufacturing Systems, Vol. 19, No. 4, pp. 256-266. VIEIRA, G., HERMANN, J., LIN, E., 2003, Rescheduling Manufacturing Systems: A Framework of Strategies, Policies and Methods, Journal of Scheduling, Vol. 6, No. 1, pp. 35-58. VÍZVÁRI B., 2004, Ütemezéselmélet, IVÁNYI, A., (szerk.), Informatikai algoritmusok 9. fejezete, p. 364-415, ELTE Eötvös Kiadó. VÍZVÁRI, B., DÓSA, GY., 2004, Az LPT(k)’ algoritmus egyforma párhuzamos gépek ütemezésére, Alkalmazott Matematikai Lapok, Vol. 21, pp. 269-289.
PHD ÉRTEKEZÉS
114
[130] WANG, H., JACOB, V., ROLLAND, E., 2003, Design of Efficient Hybrid Neural Networks for Flexible Flow Shop Scheduling, Expert Systems, Vol. 20, No. 4, pp. 208-231. [131] WANG, L., LI, D., 2002, A Scheduling Algorithm for Flexible Flow Shop Problem, Proceedings of the 4th World Congress on Intelligent Control and Automation, New York: IEEE, Vol. 4, pp. 3106-3108. [132] WANG, W., 2005, Flexible Flow Shop Scheduling: Optimum, Heuristics, and Artificial Intelligence Solutions, Expert Systems, Vol. 22, No. 2, pp. 78-85. [133] WANG, W., HUNSUCKER, J., L., 2003, An Evaluation of the CDS Heuristic in Flow Shops with Multiple Processors, Journal of the Chinese Institute of Industrial Engineers, Vol. 20, No. 3, pp. 295-304. [134] WITTROCK, R., J., 1985, Scheduling Algorithm for Flexible Flow Lines, IBM Journal of Research and Development Vol. 29, pp. 401-412. [135] WITTROCK, R., J., 1988, An Adaptable Scheduling Algorithm for Flexible Flow Lines, Operations Research, Vol. 36, No. 3, pp. 445-453. [136] YAMADA, T., 2003 Studies on Metaheuristics for Jobshop and Flowshop Scheduling Problems, Ph.D. Thesis, Kyoto University, Japan. [137] YANG, Y., KREIPL, S., PINEDO, M., 2000, Heuristics for Minimizing Total Weighted Tardiness in Flexible Flow Shops, Journal of Scheduling, Vol. 3, No. 2, pp. 89-108. [138] YING, K., C., LIAO, C., J., 2004, An Ant-Colony System for Permutation Flow Shop Sequencing, Computers and Operations Research, Vol. 31, No. 5, pp. 791-801. [139] ZDANSKY, M., POZIVIL, J., 2002, Combination Genetic/Tabu Search Algorithm for Hybrid Flowshops Optimization, Proceedings of ALGORITMY 2002 Conference on Scientific Computing, pp. 230-236. [140] ZHU, X., WILHELM, W., E., 2006, Scheduling and Lot Sizing with SequenceDependent Setup: A Literature review, IIE Transactions, Vol. 38, pp. 9871007.
PHD ÉRTEKEZÉS
115
12. KÖSZÖNETNYILVÁNÍTÁS
Értekezésemben a Miskolci Egyetem Gépészmérnöki és Informatikai Karán, a Hatvany József Informatikai Tudományok Doktori Iskola keretein belül végzett kutatási munkám során elért eredményeket foglaltam össze. Ezúton fejezem ki köszönetemet témavezetımnek Dr. Erdélyi Ferencnek, aki figyelmemet a tudomány felé irányította, rendkívül széles körő és kiemelkedı szakmai ismereteivel, gyakorlati tapasztalataival munkámat mindvégig támogatta, a dolgozat megírásához nélkülözhetetlen segítséget nyújtott. Köszönetet mondok Prof. Dr. Tóth Tibor tanszékvezetı úrnak és egyben a doktori iskola vezetıjének, aki a kutatómunkához szükséges feltételeket megteremtette, és hasznos tanácsokkal látott el. Köszönetet mondok Dr. Dudás Lászlónak, aki a munkámat folyamatosan nyomon követte, és fıként mesterséges intelligenciához, szoftvertechnológiához kapcsolódó hasznos tanácsaival, észrevételeivel segítette fejlesztéseimet. Megköszönöm Körei Attilának azokat a hasznos észrevételeket, amelyekkel hozzájárult a dolgozatban alkalmazott matematikai formalizmusok finomításához. Köszönöm a Miskolci Egyetem Alkalmazott Informatikai Tanszék teljes kollektívájának szakmai és erkölcsi támogatását. Köszönetet mondok mindazoknak, akik közvetlen vagy közvetett módon elısegítették, támogatták munkámat, ezáltal hozzájárultak ahhoz, hogy a dolgozat elkészüljön. Köszönet illeti meg korábbi tanáraimat, oktatóimat, akik megalapozták szakmai képzésemet. Hálámat és köszönetemet fejezem ki családtagjaimnak biztatásukért és támogatásukért.
PHD ÉRTEKEZÉS
116
13. MELLÉKLETEK
13.1. Melléklet: Gyártásifolyamat-típusok és végrehajtásilépés-típusok meghatározásának algoritmusa A következı algoritmus adott N_TS számú technológiai lépésnek megfelelı EFFS környezetben definiálja a végrehajtásilépés-típusokat. A módszer alkalmas a technológiai lépések összefüggı részsorozatát jelentı gyártásifolyamat-típusok meghatározására is. Ekkor ES szerepét EXE veszi át. void ES_TS_generation(int N_TS, int ** ES_TS) { int N_ES = (N_TS*(1+N_TS))/2; ES_TS = new int * [N_ES+1]; for ( int es = 1; es<=N_ES; es++ ) { ES_TS[es] = new int [N_TS+1]; for (int a = 0; a<= N_TS; a++) ES_TS[es][a] = 0; }
//N_TS: a technológiai lépések száma //N_ES: a végrehajtási lépések száma //ES_TS: kapcsolótömb //es: a végrehajtási lépések azonosítója //a: a hozzárendelés futóindexe
for ( int i = 1, es = 1, st, d; i <= N_TS; i++ ) //i: a végrehajtási lépések hossza { for ( st = 1; st <= N_TS-(i-1); st++ ) //st: a kezdı technológiai lépés { for ( d = 0; d < i; d++ ) //d: a technológiai lépések futóindexe { ES_TS[es][0]++; ES_TS[es][ES_TS[es][0]] = st + d; } es++; } } }
PHD ÉRTEKEZÉS
117
13.2. Melléklet: Végrehajtásiútvonal-típusok meghatározása Algoritmus adott N_TS számú technológiai lépésnek megfelelı EFFS környezetben értelmezhetı végrehajtási útvonalaknak végrehajtási lépésekbıl történı felépítésére: void R_ES_generation(int N_TS, int ** R_ES ) { //N_TS: a technológiai lépések darabszáma //R_ES: útvonal és végrehajtási lépések kapcsolótömbje
int N_R; int i; int nr; int r; int st; int a; int R; int step: int sh_st; int act_st;
//a generálás változói //N_R: a végrehajtási útvonalak darabszáma //i: az útvonal által lefedett technológiai lépések darabszáma //nr: i hosszúságú különbözı útvonaltípusok száma //r: az útvonal futóindexe //st: elsı technológiai lépés //a: a hozzárendelés futóindexe //a transzformálás változói //R: az útvonal azonosítója //step: az útvonalhoz tartozó végrehajtási lépések futóindexe //sh_st: növekmény a kezdı lépéstıl számítva //act_st: aktuális kezdı technológiai lépés // a kapcsolótömb deklarációja
N_R = 0; for (int i = 1; i <= N_TS; i++) N_R += pow(2, (i-1)) * (N_TS - (i-1)); int ** R_ES = new int * [N_R+1]; for ( r = 1; r <= N_R; r++ ) { R_ES[r] = new int [N_TS+1]; for ( a = 0; a<= N_TS; a++) R_ES[r][a] = 0; } //R_ES felépítése a részsorozatok méretére alapozva //rekurzívan az elsı lépést meghatározva r = 0; for (i = N_TS; i >= 1; i--) { nr = pow(2, (i-1)); for ( st = 1; st+(i-1) <= N_TS; st++) { first_ES_length_recursive(R_ES, i, r, 1); r += nr; } } //folytatás a következı oldalon
PHD ÉRTEKEZÉS
118
//R_ES transzformálása a végrehajtási lépések azonosításával R = 0; sh_st = 0; act_st = 1; for (int i = N_TS; i >= 1; i-- ) { for ( st = 1; st <= N_TS-(i-1); st++ ) { nr = pow(2, (i-1)); for ( r = 1; r <= nr; r++) { R++; act_st = st;sh_st = 0; for( step = 1; step <= R_ES[R][0]; step ++) { if (step == 1) { sh_st += R_ES[R][step]; R_ES[R][step] = get_ES_ID( N_TS, act_st, R_ES[R][step]); } else { int temp = R_ES[R][step]; R_ES[R][step] = get_ES_ID( N_TS, act_st + sh_st, R_ES[R][step]); sh_st += temp; } } } } }
Rekurzív módszer adott N_TS vagy annál kevesebb számú technológiai lépésbıl álló sorozatoknak (végrehajtási útvonalaknak) összefüggı technológiai lépésekbıl álló részsorozatokkal (végrehajtási lépésekkel) történı lefedésére: int first_ES_length_recursive(int ** R_ES, int N_TS, int fix_R, int fix_pos) {
//R_ES: az útvonal és a végrehajtási lépések kapcsolótömbje //N_TS: a technológiai lépések száma //fix_R: a kifejtendı útvonal azonosítója //fix_pos: a kifejtendı útvonal elsı még le nem fedett végrehajtási lépése int r = 0; int fl; int na; int a; int st; int fst;
//r: az útvonal aktuális hívási pontjától számított sorszáma //fl: az útvonal elsı végrehajtási lépésének a hossza //na: az fl hosszú végrehajtási lépéssel kezdıdı útvonalak száma //a: az útvonal futóindexe //st: az elsı technológiai lépés //fst: az elsı még le nem fedett technológiai lépés //folytatás a következı oldalon
PHD ÉRTEKEZÉS
119
for ( fl = 1; fl <= N_TS; fl++ ) { if ( fl == N_TS ) na = 1; else na = pow (2, (N_TS-fl)-1);
//egyetlen lépés lefedi (ilyen csak egyféle van) //i azaz N_TS - fl hosszú rész marad szabadon //ebbıl
2 ( i −1) féle van
for ( a = 1; a <= na; a++ ) { r++; if ( a==1 ) first_ES_length_recursive(R_ES, N_TS-fl, fix_R+r-1, fix_pos+1); st = 1; fst = st + fl; R_ES[fix_R+r][fix_pos] = fl; R_ES[fix_R+r][0]++ ; } } return 1; }
Algoritmus adott TS_start technológiai lépéstıl kezdıdı, adott ES_length számú technológiai lépést lefedı ES végrehajtási lépés azonosítására N_TS számú technológiai lépést tartalmazó környezetben: int get_ES_ID(int N_TS, int TS_start, int ES_length) { //N_TS: a technológiai lépések száma //TS_start: a végrehajtási lépés elsı technológiai lépése //ES_length: a végrehajtási lépés hossza int es; int i; int st; int d;
//es: a végrehajtási lépés azonosítója //i: a végrehajtási lépések hossza //st: az elsı technológiai lépés //d: a technológiai lépések futóindexe
es = 1; for ( i = 1; i <= N_TS; i++ ) { for ( st = 1; st <= N_TS-(i-1); st++ ) { for ( d = 0; d < i; d++ ) { if ( st == TS_start && (d+1) == ES_length ) return es; } es++; } } return -1; }
PHD ÉRTEKEZÉS
120
13.3. Melléklet: Az ütemezés során használt szomszédsági operátorok alapvetı mőveletei Adott munka és a hozzá tartozó gyártási feladatok kiemelése az ütemtervbıl: void _S::remove_job_from_sch(int i) { int pos, target, machine; int nstep = R_MG[J_T[i][0]][0]; J_T[i][0] = 0; for(int step=1; step<=nstep; step++) { machine = J_T[i][step]; J_T[i][step] = 0; target = J_Tp[i][step]; J_Tp[i][step] = 0; for (pos = target; pos<M_T[machine][0]; pos++) { M_T[machine][pos] = M_T[machine][pos+1]; M_Tp[machine][pos] = M_Tp[machine][pos+1]; J_Tp[M_T[machine][pos]][M_Tp[machine][pos]] = pos; } M_T[machine][0]--; } }
Adott munka beillesztése az ütemtervbe, a munka elvégzéséhez szükséges gyártási feladatok és azok végrehajtási sorban betöltött helyének véletlenszerő megválasztásával: void _S::random_value_for_i_job(int i, ORDER* O, JOB* J) { int shift_pos, new_pos, nr, r, route, nstep, step, mg, npm, m, machine; nr = O[J[i].OID].R[0]; r = 1 + random(nr); route = O[J[i].OID].R[r]; J_T[i][0] = route; nstep = R_MG[route][0]; for(step=1; step<=nstep; step++) { mg = R_MG[route][step]; npm = O[J[i].OID].MG_M[mg][0]; m = 1 + random(npm); machine = J_T[i][step] = O[J[i].OID].MG_M[mg][m]; M_T[machine][0]++; new_pos = 1 + random(M_T[machine][0]);
//folytatás a következı oldalon
PHD ÉRTEKEZÉS
121
for (shift_pos = M_T[machine][0] - 1; shift_pos > 0 && shift_pos >= new_pos; shift_pos -- ) { M_T[machine][shift_pos+1] = M_T[machine][shift_pos]; M_Tp[machine][shift_pos+1] = M_Tp[machine][shift_pos]; J_Tp[M_T[machine][shift_pos+1]][M_Tp[machine][shift_pos+1]] = shift_pos+1; } M_T[machine][new_pos] = i; M_Tp[machine][new_pos] = step; J_Tp[i][step] = new_pos; } }
Adott lépésszámnál (maxN) nem hosszabb, véletlenszerően választott hosszúságú permutációciklus definiálása: int _S::generate_cycle(int size_of_c, int* c, int maxN) { int * temp = new int [maxN+1]; for (int i=1; i<=maxN; i++) { temp[i] = i; } if (size_of_c == 0) size_of_c = 1+random(maxN); c[0] = size_of_c; for (int i=1, index, step, max = maxN; i<=size_of_c; i++) { step = 1+random(max); index = get_pos(step,temp,1,maxN); if (index == -1) { return -1; } c[i] = temp[index]; temp[index] = -1; max--; } delete [ ] temp; return 1; }
Adott permutációciklus adott sorozaton történı végrehajtása: void _S::do_pi(int *c, int m) { int tmp = M_T[m][c[ c[0] ]]; int tmp_p = M_Tp[m][c[ c[0] ]]; for (int i=c[0], tmp; i>1; i--) { M_T[m][c[ i ]] = M_T[m][ c[i-1] ]; M_Tp[m][ c[ i ]] = M_Tp[m][ c[i-1] ]; J_Tp[ M_T[m][c[ i ]] ][ M_Tp[m][ c[ i ]] ] = c[i]; } M_T[m][c[1]] = tmp; M_Tp[m][c[1]] = tmp_p; J_Tp[tmp][tmp_p] = c[1]; }
PHD ÉRTEKEZÉS
122
Adott gépen a végrehajtási sorban szereplı feladatok sorrendjének véletlenszerő permutálása: int _S::random_do_pi_seq_change_on_m_machine(int m) { if (M_T[m][0] > 1) { int size_of_c; int *c; size_of_c = 1+random(M_T[m][0]); c = new int[size_of_c+1]; if ( generate_cycle(size_of_c, c, M_T[m][0]) ) do_pi(c, m); delete [ ] c; return 1; } return 0; }
Egy késı munka egyenletes valószínőséggel végrehajtott, véletlenszerő kiválasztása a listából: int _S::random_select_latejob(ORDER* O, JOB* J, int n_of_latejob) { int si = 1 + random(n_of_LateJob); int li = 0; for (int s=1; s<=NJ; s++) if ( J[s].RET > O[J[s].OID].CET ) { li++; if (si==li) return s; } return 0; }
PHD ÉRTEKEZÉS
123
13.4. Melléklet: Az újraütemezés során használt szomszédsági operátorok alapvetı mőveletei Zárolás következtében csökkentett gépállománnyal végezhetı munka beillesztése az ütemtervbe, a munka befejezéséhez szükséges gyártási feladatok és azok végrehajtási sorban betöltött helyének véletlenszerő megválasztásával: void _S::random_value_for_i_FREEZE_job(int i, ORDER* O, JOB* J, MACHINE* M, _S* s_init) { int shift_pos, new_pos, nr, r, route, nstep, step, mg, npm, m, machine; nr = J[i].FJ.enabled_R[0]; r = 1 + random(nr); route = J[i].FJ.enabled_R[r]; J_T[i][0] = route; nstep = R_MG[route][0]; for(step=1; step<=nstep; step++) { mg = R_MG[route][step]; npm = J[i].FJ.enabled_MG_M[mg][0]; m = 1 + random(npm); machine = J_T[i][step] = J[i].FJ.enabled_MG_M[mg][m]; M_T[machine][0]++; if (J[i].LFS >= step) new_pos = s_init->J_Tp[i][step]; else { new_pos = 1 + random(M_T[machine][0]); if ( new_pos <= M[machine].LFP ) new_pos = M[machine].LFP + 1; } for (shift_pos = M_T[machine][0] - 1; shift_pos > 0 && shift_pos >= new_pos; shift_pos -- ) { M_T[machine][shift_pos+1] = M_T[machine][shift_pos]; M_Tp[machine][shift_pos+1] = M_Tp[machine][shift_pos]; J_Tp[M_T[machine][shift_pos+1]][M_Tp[machine][shift_pos+1]] = shift_pos+1; } M_T[machine][new_pos] = i; M_Tp[machine][new_pos] = step; J_Tp[i][step] = new_pos; } }
PHD ÉRTEKEZÉS
124
Adott, zárolással nem terhelt munka beillesztése az ütemtervbe a gépek zárolt idıszakának megsértése nélkül a munka elvégzéséhez szükséges gyártási feladatok és azok végrehajtási sorban betöltött helyének véletlenszerő megválasztásával: void _S::random_value_for_i_job_in_FREEZE_env(int i, ORDER* O, JOB* J, MACHINE* M) { int shift_pos, new_pos, nr, r, route, nstep, step, mg, npm, m, machine; nr = O[J[i].OID].R[0]; r = 1 + random(nr); route = O[J[i].OID].R[r]; J_T[i][0] = route; nstep = R_MG[route][0]; for(step=1; step<=nstep; step++) { mg = R_MG[route][step]; npm = O[J[i].OID].MG_M[mg][0]; m = 1 + random(npm); machine = J_T[i][step] = O[J[i].OID].MG_M[mg][m]; M_T[machine][0]++; new_pos = 1 + random(M_T[machine][0]); if ( new_pos <= M[machine].LFP ) new_pos = M[machine].LFP + 1; for (shift_pos = M_T[machine][0] - 1; shift_pos > 0 && shift_pos >= new_pos; shift_pos -- ) { M_T[machine][shift_pos+1] = M_T[machine][shift_pos]; M_Tp[machine][shift_pos+1] = M_Tp[machine][shift_pos]; J_Tp[M_T[machine][shift_pos+1]][M_Tp[machine][shift_pos+1]] = shift_pos+1; } M_T[machine][new_pos] = i; M_Tp[machine][new_pos] = step; J_Tp[i][step] = new_pos; } }
PHD ÉRTEKEZÉS
125
Adott gépen a végrehajtási sorban szereplı feladatok sorrendjének véletlenszerő permutálása a sorozat adott hosszúságú kezdı (zárolt) részének módosítása nélkül: int _S::random_do_pi_seq_change_on_m_machine_FREEZE(int m, MACHINE* M) { if (M_T[m][0] - M[m].LFP > 1) { int size_of_c; int *c; size_of_c = 1+random(M_T[m][0] - M[m].LFP); c = new int[size_of_c+1]; if ( generate_cycle(size_of_c, c, M_T[m][0] - M[m].LFP) ) for (int k=1; k<=size_of_c; k++ ) c[k] += M[m].LFP; do_pi(c, m); delete [ ] c; return 1; } return 0; }
PHD ÉRTEKEZÉS
126
13.5. Melléklet: A tesztfeladatok elıállítására használt problémagenerátor paraméterei
32. ábra: A gépek paraméterei Num. of setup types: gépbeállítás-típusok száma. Average setup time: gépbeállítás átlagos idıtartama. Average num. of parallel machines in a group: a különbözı gépcsoportokban rendelkezésre álló párhuzamos gépek átlagos száma. Average machine speed: a gépek termékfüggı gyártási sebességeinek átlagétéke (idıegység alatt megmunkálható termékek száma). Num. of calendar elements: a gépek rendelkezésre állási idıintervallumainak száma. Max. start time of the first calendar element: az elsı rendelkezésre állási intervallum kezdı idıpontjának legnagyobb megengedett értéke. Average length of machine availability intervals: a gépek rendelkezésre állási idıintervallumainak átlagos hossza. Average length of machine unavailability intervals: a rendelkezésre állási idıintervallumok közötti idıszakaszok átlagos hossza. Max. deviation: az átlagos értéktıl való legnagyobb eltérés százalékban kifejezve. A beállított paraméterek alapján a számértékek generálása kváziegyenletes valószínőséggel történik.
PHD ÉRTEKEZÉS
127
33. ábra: A megrendelések, termékek és munkák paraméterei Average num. of prod. orders with EXE type: a különbözı gyártásifolyamat-típusokra vonatkozó belsı megrendelések átlagos száma. Average num. of the jobs of a prod. order: a belsı rendelésekhez tartozó munkák átlagos száma. Average num. of the product of a jobs: a munkákhoz (logisztikai egységekhez) tartozó munkadarabok átlagos száma. Average value of the constraint start times: a munkákhoz tartozó legkorábbi kezdési idıpont átlagos értéke. Average value of the constraint time windows: a rendelések teljesítésére rendelkezésre álló idıtartam átlagos hossza. Special machine requirements: a megrendelések teljesítéséhez szükséges gépek speciális képességeinek elıírására szolgáló számérték (1: nincs korlátozás, 10: legnagyobb mértékő korlátozás). Max. deviation: az átlagos értéktıl való legnagyobb eltérés százalékban kifejezve. A beállított paraméterek alapján a számértékek generálása kváziegyenletes valószínőséggel történik.
PHD ÉRTEKEZÉS
128
13.6. Melléklet: Futási eredmények A bemutatott heurisztikus megoldási módszer pontosságának vizsgálatához kifejlesztettem egy leszámlálásra épülı ütemezı algoritmust, amely kismérető feladatok esetében megadja az optimális megoldások számát és az elsınek megtalált optimális megoldáshoz tartozó célfüggvényértékeket. Ezzel a módszerrel hasonlítottam össze a termelésprogramozó szoftver megoldóalgoritmusait. A különbözı összetételő és nehézségi fokú tesztfeladatok vizsgálata során azt tapasztaltam, hogy a megvizsgált leszámláható mérető feladatok megoldása során a többcélú heurisztikus keresıalgoritmus minden esetben megtalálta az optimális megoldást (vagy az optimális megoldások közül egyet, ha egyszerre több is létezett). A megoldási módszer hatékonyságának vizsgálatához nagymérető ütemezési feladatokat készítettem a 13.5. mellélletben bemutatott paraméterezéssel. Az elvégzett vizsgálatok eredményei azt mutatják, hogy a javasolt megoldási módszer nagymérető feladatok esetében is hatékonyan alkalmazható, rugalmasan alkalmazkodik az aktuális célfüggvényekhez és rövid idın belül szolgáltatja az eredményeket. A következıkben leszámlálható mérető feladatokon végzett összehasonlító vizsgálatok futási eredményeit, valamint valós gyártási adadokhoz hasonló nagymérető, nehéz feladatok megoldása során kapott eredményeket mutatok be. (Tesztkörnyezet: Intel Pentium 4 2,8 GHz CPU, 512MB DDR333 RAM, Microsoft Windows XP OS.) Az alkalmazott formalizmus a következı: Input file: ütemezési feladatot leíró fájl. Prob_Sizes: a feladat jellemzı méretei. Machine: gépek száma. Orders: megrendelések száma. Jobs: munkák száma. Setup_Types: gépbeállítás-típusok száma. Search_Pars: keresési paraméterek. maxSTEP: legnagyobb megtehetı lépésszám (leállási feltétel). maxLOOP: adott lépés kiterjesztéseinek maximális száma. minLOOP: adott lépés kiterjesztésének minimális száma (kötelezıen megvizsgálandó szomszédos megoldások száma). maxSTEP_impless: a javulás nélkül megtehetı lépések legnagyobb száma (leállási feltétel). maxTABU: a tabulistán tárolt megoldások megengedett legnagyobb száma. Nx_op_pri: a szomszédsági operátorok (N1, N2, N3, N4, N5) prioritásértékei. ObjF: a célfüggvények. LOrder: a késı megrendelések száma. LJob: a késı munkák száma. sumT: a munkák késéseinek az összege. maxT: a legnagyobb késés. Set: a gépátállítások száma.
PHD ÉRTEKEZÉS
129
maxC: a rendeléscsoport teljesítésének befejezési idıpontja. ObjPri: a célfüggvények prioritásértékei. rand: véletlenszerően felépített megoldás. heu: a BWBA heurisztikus algoritmussal felépített megoldás. search: a többcélú keresıalgoritmussal javított megoldás. F(r,x): az adott sorban lévı megoldásnak a rand megoldáshoz viszonyított minısége. F(h,x): az adott sorban lévı megoldásnak a heu megoldáshoz viszonyított minısége. A 4.3.2 fejezetben definiált (4.27) képletre alapozva: „-” jobb megoldást, „+” rosszabb megoldást és „0” azonosan jó megoldást jelöl. RunT: futási idı (másodperc pontossággal mérve, a felépítı algoritmusok futási ideje nincs feltüntetve, mert minden esetben kisebb mint 1s). BStep: a keresés során a legjobb megoldást adó lépés sorszáma. Avp(10it): az iterációk eredményének átlagértékei. Enum: a leszámláló algoritmussal kapott egzakt eredmény. Number of evaluated schedule: a leszámlálás során kiértékelt ütemtervek száma. best solution (first): az elsı optimális megoldás sorszáma. number of optimal solutions: az optimális ütemtervek száma. Ts_x: kismérető ütemezési feladaton végzett teszt eredményei (x: a feladat sorszáma). Tl_x: nagymérető ütemezési feladaton végzett teszt eredményei (x: a feladat sorszáma). A feladatok pontos specifikációját (gépek, megrendelések, munkák és korlátozások) terjedelmi okokból itt nem részletezem, azok az értekezés CD mellékletén megtalálhatók és a termelésprogramozó szoftver segítségével könnyen megtekinthetık (lásd: 26- 28. ábrák).
PHD ÉRTEKEZÉS
130
Kismérető ütemezési feladatok megoldásának eredményei: Ts_1: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si1\si1.txt Prob_Sizes: Machine:11 Orders:16 Jobs:18 Setup_Types:3 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 1: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 2: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 3: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 4: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 5: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 6: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 7: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 8: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 9: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] 10: ------------------------------rand 4 5 627 175 15 523 heur 2 3 398 175 13 505 search 0 0 0 0 13 430 0s [2] Avp(10it): ====== ====== ====== ====== ====== ====== rand: 4 5 627 175 15 523 heur: 2 3 398 175 13 505 search: 0 0 0 0 13 430 0s Optimum: ====== ====== ====== ====== ====== ====== Enum: 0 0 0 0 13 430 1 (min) and 32 (sec) Number of evaluated schedule: 10501632 best solution (first): 9585589 number of optimal solutions: 144 End of file.
PHD ÉRTEKEZÉS
131
Ts_2: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si2\si2.txt Prob_Sizes: Machine:11 Orders:14 Jobs:17 Setup_Types:3 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 1: ------------------------------rand 4 6 556 184 14 523 heur 2 4 338 166 12 430 search 2 4 182 88 12 430 0s [2] 2: ------------------------------rand 4 6 556 184 14 523 heur 2 4 338 166 12 430 search 2 4 182 88 12 430 0s [2] 3: ------------------------------rand 4 6 556 184 14 523 heur 2 4 338 166 12 430 search 2 4 182 88 12 430 0s [2] 4: ------------------------------rand 4 6 556 184 14 523 heur 2 4 338 166 12 430 search 2 4 182 88 12 430 0s [2] 5: ------------------------------rand 4 6 556 184 14 523 heur 2 4 338 166 12 430 search 2 4 182 88 12 430 1s [2] 6: ------------------------------rand 3 5 421 166 13 448 heur 2 4 338 166 13 430 search 2 4 182 88 12 430 0s [10] 7: ------------------------------rand 3 5 421 166 13 448 heur 2 4 338 166 13 430 search 2 4 182 88 12 430 0s [10] 8: ------------------------------rand 3 5 421 166 13 448 heur 2 4 338 166 13 430 search 2 4 182 88 12 430 0s [10] 9: ------------------------------rand 3 5 421 166 13 448 heur 2 4 338 166 13 430 search 2 4 182 88 12 430 0s [10] 10: ------------------------------rand 3 5 421 166 13 448 heur 2 4 338 166 13 430 search 2 4 182 88 12 430 0s [10] Avp(10it): ====== ====== ====== ====== ====== ====== rand: 3.5 5.5 488.5 175 13.5 485.5 heur: 2 4 338 166 12.5 430 search: 2 4 182 88 12 430 0.1s Optimum: ====== ====== ====== ====== ====== ====== Enum: 2 4 182 88 12 430 3 (min) and 4 (sec) Number of evaluated schedule: 22334976 best solution (first): 20438377 number of optimal solutions: 48 End of file.
PHD ÉRTEKEZÉS
132
Ts_3: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si3\si3.txt Prob_Sizes: Machine:6 Orders:12 Jobs:13 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT ObjPri: 7 8 10 10 7 5 1: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 2: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 3: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 4: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 5: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 6: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 7: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 8: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 1s 9: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s 10: ------------------------------rand 7 7 8404 3254 17 4972 heur 6 6 7761 3254 17 4972 search 1 1 561 561 14 2486 0s Avp(10it): ====== ====== ====== ====== ====== ====== rand: 7 7 8404 3254 17 4972 heur: 6 6 7761 3254 17 4972 search: 1 1 561 561 14 2486 0.1s Optimum: ====== ====== ====== ====== ====== ====== Enum: 1 1 561 561 14 2486 4 (sec) Number of evaluated schedule: 663552 best solution (first): 657660 number of optimal solutions: 4 End of file.
maxTABU:150 BStep
[9]
[9]
[9]
[9]
[9]
[9]
[9]
[9]
[5]
[5]
PHD ÉRTEKEZÉS
133
A további kismérető feladatok esetében csak az átlagolt értékek szerepelnek. Ts_4: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si4\si4.txt Prob_Sizes: Machine:6 Orders:12 Jobs:14 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 7 8 11693 3289 17 5007 heur: 6 7 11050 3289 17 5007 search: 1 1 561 561 14 2486 0.1s Optimum: ====== ====== ====== ====== ====== ====== Enum: 1 1 561 561 14 2486 2 (min) and 3 (sec) Number of evaluated schedule: 16588800 best solution (first): 16438362 number of optimal solutions: 24 End of file.
Ts_5: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si5\si5.txt Prob_Sizes: Machine:6 Orders:6 Jobs:9 Setup_Types:6 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 5 7 1843 595 12 1155 heur: 5 7 2211 812 10 1268 + search: 0 0 0 0 9 621 0s Optimum: ====== ====== ====== ====== ====== ====== Enum: 0 0 0 0 9 621 9 (min) and 11 (sec) Number of evaluated schedule: 94348800 best solution (first): 33145201 number of optimal solutions: 160 End of file.
Ts_6: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si6\si6.txt Prob_Sizes: Machine:2 Orders:5 Jobs:5 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 3 3 1829 934 8 1478 heur: 3 3 1829 934 8 1478 0 search: 2 2 419 334 8 1484 0.1s Optimum: ====== ====== ====== ====== ====== ====== Enum: 2 2 419 334 8 1484 0 (sec) Number of evaluated schedule: 14400 best solution (first): 11254 number of optimal solutions: 2 End of file.
PHD ÉRTEKEZÉS
134
Ts_7: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si7\si7.txt Prob_Sizes: Machine:2 Orders:7 Jobs:7 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 4 4 3292 1424 12 1968 heur: 4 4 3292 1424 12 1968 0 search: 4 4 402 233 6 1790 0s Optimum: ====== ====== ====== ====== ====== ====== Enum: 4 4 402 233 6 1790 2 (min) and 8 (sec) Number of evaluated schedule: 25401600 best solution (first): 13192298 number of optimal solutions: 6 End of file.
Ts_8: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si8\si8.txt Prob_Sizes: Machine:3 Orders:9 Jobs:9 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:20 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 6 6 2372 586 9 1130 heur: 4 4 1860 670 10 1214 search: 3 3 399 160 8 1129 0s Optimum: ====== ====== ====== ====== ====== ====== Enum: 3 3 399 160 8 1129 1 (min) and 20 (sec) Number of evaluated schedule: 14515200 best solution (first): 5672390 number of optimal solutions: 4 End of file.
Ts_9: Performance test. Input file :C:\kulcsar\EFFS\s_DATA\si9\si9.txt Prob_Sizes: Machine:1 Orders:10 Jobs:10 Setup_Types:4 Search_Pars: maxSTEP:200 maxLOOP:100 minLOOP:10 maxImpless:40 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 Avp(10it): ====== ====== ====== ====== ====== ====== rand: 4 4 3411 1385 10 2949 heur: 4 4 3411 1385 10 2949 0 search: 1 1 130 130 8 2754 0s Optimum: ====== ====== ====== ====== ====== ====== Enum: 1 1 130 130 8 2754 17 (sec) Number of evaluated schedule: 3628800 best solution (first): 1534957 number of optimal solutions: 1 End of file.
PHD ÉRTEKEZÉS
135
Nagymérető ütemezési feladatok megoldásának eredményei: Tl_1: Performance test. Input file :C:\kulcsar\EFFS\l_DATA\li1\li1.txt Prob_Sizes: Machine:119 Orders:393 Jobs:2173 Setup_Types:4 Search_Pars: maxSTEP:2000 maxLOOP:100 minLOOP:10 maxImpless:40 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 1: ------------------------------rand 277 997 1344918 4143 1740 4535 heur 104 408 118741 1222 964 1710 search 2 3 33 14 243 998 3min 32s [1656] 2: ------------------------------rand 274 943 1209326 4067 1745 4517 heur 106 417 117679 1300 971 1724 search 2 3 46 22 234 1068 2min 54s [1525] 3: ------------------------------rand 282 989 1276966 4106 1817 4503 heur 111 431 117251 1201 970 1640 search 2 3 46 22 250 1035 2min 36s [1402] 4: ------------------------------rand 278 1006 1620700 4893 1796 5345 heur 113 420 115699 1304 965 1746 search 2 3 46 22 265 1032 1min 46s [1146] 5: ------------------------------rand 278 999 1398662 4073 1787 4562 heur 107 436 118624 1228 949 1697 search 2 3 33 14 228 1031 3min 17s [1593] 6: ------------------------------rand 277 1009 1462062 4556 1799 4910 heur 105 419 122077 1396 968 1884 search 2 3 46 22 228 995 3min 41s [1701] 7: ------------------------------rand 284 1034 1420264 4247 1814 4770 heur 111 436 117843 1240 954 1669 search 2 3 46 22 237 1055 3min 59s [1872] 8: ------------------------------rand 272 971 1260134 4022 1768 4474 heur 111 440 119894 1359 960 1783 search 2 3 46 22 244 1058 2min 48s [1489] 9: ------------------------------rand 275 975 1355598 4216 1784 4668 heur 111 446 112442 1260 963 1675 search 3 5 92 31 304 1014 1min 49s [1189] 10: ------------------------------rand 278 998 1298440 4088 1746 4568 heur 113 454 125931 1243 976 1722 search 2 3 46 22 254 1061 2min 55s [1491] Avp(10it): ====== ====== ====== ====== ====== ====== rand: 277.5 992.1 1.3e+06 4241.1 1779.6 4685.2 heur: 109.2 430.7 118618 1275.3 964 1725 search: 2.1 3.2 48 21.3 248.7 1034.7 2min 55s
PHD ÉRTEKEZÉS
ObjF: LOrder LJob ObjPri: 7 8 ----------s_1: 2 3 s_2: 2 3 s_3: 2 3 s_4: 2 3 s_5: 2 3 s_6: 2 3 s_7: 2 3 s_8: 2 3 s_9: 3 5 s_10: 2 3 best solution: s_5
136
sumT 10 -----33 46 46 46 33 46 46 46 92 46
maxT 10 -----14 22 22 22 14 22 22 22 31 22
Set 7 -----243 234 250 265 228 228 237 244 304 254
Rel. quality of s_row: - better, + worse, 0 equal. s_1 s_2 s_3 s_4 s_5 s_1 0 + s_2 + 0 + s_3 + + 0 + s_4 + + + 0 + s_5 0 s_6 + + s_7 + + + s_8 + + + s_9 + + + + + s_10 + + + + End of file.
maxC 5 -----998 1068 1035 1032 1031 995 1055 1058 1014 1061
s_6 + + + 0 + + + +
s_7 + + 0 + + +
s_8 + + 0 + +
s_9 0 -
s_10 + + 0
A Tl_1 feladat generálására használt paraméterek a 32. és 33. ábrának megfelelı sorrendben: Machine 4 30 20 12 20 10 20 10 400 1000 20 100 20 Order 40 20 6 20 200 20 300 20 1000 80 8
PHD ÉRTEKEZÉS
137
A keresési folyamat során a célfüggvények alakulása a megtett lépések függvényében, véletlenszerően felépített kezdeti ütemtervbıl kiindulva:
A késı megrendelések számának változása.
A késı munkák számának változása.
PHD ÉRTEKEZÉS
138
A legnagyobb késés változása.
A gépátállítások számának változása.
PHD ÉRTEKEZÉS
139
A legkésıbbi befejezési idıpont változása.
A keresési folyamat során a célfüggvények alakulása a megtett lépések függvényében, BWBA heurisztikusan felépített kezdeti ütemtervbıl kiindulva:
A késı megredelések számának változása.
PHD ÉRTEKEZÉS
140
A késı munkák számának változása.
A legnagyobb késés változása.
PHD ÉRTEKEZÉS
141
A gépátállítások számának változása.
A legkésıbbi befejezési idıpont változása.
PHD ÉRTEKEZÉS
142
Tl_2: Performance test. Input file :C:\kulcsar\EFFS\l_DATA\li2\li2.txt Prob_Sizes: Machine:56 Orders:424 Jobs:2360 Setup_Types:4 Search_Pars: maxSTEP:2500 maxLOOP:100 minLOOP:10 maxImpless:40 maxTABU:150 Nx_op_pri: N1: 1 N2: 1 N3: 1 N4: 1 N5: 1 ObjF: LOrder LJob sumT maxT Set maxC F(r,x) F(h,x) RunT BStep ObjPri: 7 8 10 10 7 5 1: ------------------------------rand 343 1364 3605777 8024 1573 8519 heur 202 929 436308 1636 681 2413 search 16 60 5829 302 288 1686 5min 12s [2499] 2: ------------------------------rand 339 1372 3885252 8925 1536 9438 heur 207 934 458321 1731 692 2498 search 16 62 6499 286 331 1762 3min 15s [1829] 3: ------------------------------rand 344 1403 3737266 8243 1579 8772 heur 205 926 466921 2090 689 2537 search 16 62 6735 286 312 1678 3min 8s [1854] 4: ------------------------------rand 338 1387 3707010 8688 1527 9303 heur 201 908 446960 1685 676 2437 search 15 59 5515 302 308 1738 3min 9s [1783] 5: ------------------------------rand 338 1373 3532821 8316 1499 8985 heur 200 924 463197 1767 689 2610 search 13 53 5726 317 292 1743 3min 46s [1969] 6: ------------------------------rand 335 1391 4006473 8368 1589 8746 heur 203 927 463073 2127 687 2578 search 16 64 5893 286 311 1688 4min 11s [2088] 7: ------------------------------rand 340 1389 3616455 8152 1533 8623 heur 213 953 460564 1705 712 2337 search 12 51 5127 302 319 1696 3min 37s [1925] 8: ------------------------------rand 341 1396 3966620 8315 1525 8795 heur 198 914 453509 1853 693 2462 search 17 55 6381 318 325 1716 3min 15s [1820] 9: ------------------------------rand 334 1383 3797006 8715 1534 9251 heur 203 922 450043 1819 685 2397 search 17 61 5729 302 310 1740 3min 27s [1891] 10: ------------------------------rand 332 1368 3574951 7854 1536 8272 heur 201 918 455900 2114 702 2561 search 18 76 7675 304 268 1650 5min 12s [2494] Avp(10it): ====== ====== ====== ====== ====== ====== rand: 338.4 1382.6 3.7e+06 8360 1543.1 8870.4 heur: 203.3 925.5 455480 1852.7 690.6 2483 search: 15.6 60.3 6110.9 300.5 306.4 1709.7 3min 49s
PHD ÉRTEKEZÉS
ObjF: LOrder LJob ObjPri: 7 8 ----------s_1: 16 60 s_2: 16 62 s_3: 16 62 s_4: 15 59 s_5: 13 53 s_6: 16 64 s_7: 12 51 s_8: 17 55 s_9: 17 61 s_10: 18 76 best solution: s_7
143
sumT 10 -----5829 6499 6735 5515 5726 5893 5127 6381 5729 7675
maxT 10 -----302 286 286 302 317 286 302 318 302 304
Set 7 -----288 331 312 308 292 311 319 325 310 268
Rel. quality of s_row: - better, + worse, 0 equal. s_1 s_2 s_3 s_4 s_5 s_1 0 + + s_2 + 0 + + + s_3 + 0 + + s_4 0 + s_5 0 s_6 + + + s_7 s_8 + + + + + s_9 + + + s_10 + + + + + End of file.
maxC 5 -----1686 1762 1678 1738 1743 1688 1696 1716 1740 1650
s_6 + + 0 + + +
s_7 + + + + + + 0 + + +
s_8 0 +
s_9 + + + 0 +
s_10 0
A Tl_2 feladat generálására használt paraméterek a 32. és 33. ábrának megfelelı sorrendben: Machine 4 30 20 6 20 10 20 10 400 1000 20 100 20 Order 40 20 6 20 200 20 300 20 1000 80 8 A következı ábrákon a célfüggvények alakulása látható a keresési folyamat során megtett lépések függvényében: (a) véletlenszerően felépített kezdeti ütemtervbıl kiindulva (bal oldali hasáb). (b) a BWBA heurisztikus algoritmussal felépített kezdeti ütemtervbıl kiindulva (jobb oldali hasáb).
PHD ÉRTEKEZÉS
144
A késı megrendelések számának változása.
A késı megrendelések számának változása.
A késı munkák számának változása.
A késı munkák számának változása.
A legnagyobb késés változása.
A legnagyobb késés változása.
A gépátállítások számának változása.
A gépátállítások számának változása.
A legkésıbbi befejezési idıpont változása.
A legkésıbbi befejezési idıpont változása.
PHD ÉRTEKEZÉS
145
SUMMARY
The theses summarize the main results of the author’s research in the field of short time shop floor scheduling. A new extended flexible flow shop scheduling model and multi-phase heuristic solving methods are presented. The new approach focuses on creating near-optimal feasible schedule considering multiple objectives and constraints of customized mass production. The approach uses heuristic algorithms, multiobjective searching techniques, relative qualification of the feasible solutions and problem space transformation based on execution simulation. The proposed methods can be applied for solving large size problems effectively in a reasonable amount of time. Freezing techniques, performance indices and neighbouring operators are developed for using in the proposed multi-objective searching algorithm in order to satisfy additional constraints and requirements of rescheduling problems. A softwareprototype is implemented based on the new integrated approach for supporting the scheduling and rescheduling tasks of the shop floor control and uncertainty management. Services of the software provide useful tools for supporting the user interaction in order to increase flexibility and effectiveness of the scheduling/rescheduling processes. This combined approach based on human and artificial intelligence can yield significant performance improvements. The structure of the thesis is the following: Chapter 1 gives an introduction to the scope of the research and presents the main purpose of the work. Chapter 2 gives an overview of the flow shop and the flexible flow shop models and their solving methods published in the literature. The role and the main tasks of the manufacturing execution systems are also surveyed. Chapter 3 briefly summarizes the general characteristics of the shop floor fine scheduling problems in customized mass production. A formal specification of a new class of scheduling problems is presented. A special data model is proposed to realize the model and to accelerate the computation in question. In Chapter 4 a new integrated approach is proposed, which manages all the sub-problems (batching, assigning, sequencing and timing) simultaneously and solves them together. The details of the proposed methods are also demonstrated. Chapter 5 addresses the issues of the rescheduling tasks. A novel model and advanced methods are suggested for solving the rescheduling problems. Chapter 6 details the developed software representation of the new approach applied by the author. The software is also suitable for supporting the uncertainty management in manufacturing execution system environment. Final chapters of the thesis summarize the new scientific results, show the list of the publications and pose some directions in which the results can be further developed.
PHD ÉRTEKEZÉS
Thesis 1
146
A new extended flexible flow shop scheduling model and its computer representation.
I defined a new class suitable for solving extended flexible flow shop (EFFS) problems. I elaborated a special model representation for computer application to be developed. The novelty of this model representation is as follows: it is able to take into consideration the most important general characteristics and requirements of customized mass production (CMP). Thesis 2
Multi-phase heuristic method for solving EFFS scheduling problems.
A new integrated approach based method has been developed for solving fine scheduling problems, which can be managed by the EFFS model. The method supports the decision making of joining and/or dividing the production orders, calculation of the manufacturing lot sizes dynamically, management of the alternative technological routes, allocation of the machine resources, definition of the manufacturing tasks and scheduling its execution processes. The aforementioned method uses heuristic algorithms, searching techniques and problem space transformation based on execution simulation. Thesis 3
A new method for relative qualification of the feasible solutions of a multi-objective combinatorial optimization problem.
A mathematical model and a solving method have been developed for managing the objective functions and evaluating the relative quality of the feasible solutions by comparing them to each other. The model has been applied to multiobjective combinatorial optimization problems, which include objective functions characterized by dynamically varying importance, different dimension and value range. Thesis 4
An integrated fine scheduling model for supporting uncertainty management in customized mass production.
A new integrated model has been developed and its computer (software) representation has been implemented for supporting the scheduling and rescheduling tasks of the shop floor control and uncertainty management at the MES level. The solution is suitable for managing some problems of shop floor control in an integrated and extended functional form.
